一种融合改进智能蜂群算法和BP神经网络的入侵检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109120610A(43)申请公布日2019.01.01(21)申请号201810874273.7(22)申请日2018.08.03(71)申请人上海海事大学地址201306上海市浦东新区临港新城海港大道1550号(72)发明人段乐天韩德志田秋亭王军毕坤(74)专利代理机构上海互顺专利代理事务所(普通合伙)31332代理人成秋丽(51)Int.Cl.H04L29/06(2006.01)H04L12/24(2006.01)G06N3/08(2006.01)G06N3/00(2006.01)权利要求书3页说明书8页附图2页(54)发明名称一种融合改进智能蜂群算法和BP神经网络的入侵检测方法(57)摘要本发明公开了一种融合改进智能蜂群算法和BP神经网络的入侵检测方法，包括以下步骤：搜集网络数据包并进行预处理，作为入侵检测模型训练数据；设计多层神经网络模型，为隐藏层和输出层神经元设置激活函数；使用改进智能蜂群算法对神经网络模型进行预训练，输出最优蜜源位置向量；按照最优蜜源位置向量设置神经网络模型的初始权值和阈值；设计反向传播算法并用入侵检测数据对神经网络进行训练，得到神经网络入侵检测模型；设计网络入侵检测软件模块，将其部署在网络环境中实时检测网络数据流量，对检测出的异常网络流量产生报警。本发明采用改进智能蜂群算法优化BP神经网络算法，并且提高了神经网络模型的训练速度和入侵检测的精度。CN109120610ACN109120610A权利要求书1/3页1.一种融合改进智能蜂群算法和BP神经网络的入侵检测方法，其特征在于，包括如下步骤：步骤S1.搜集网络数据包并进行预处理，作为入侵检测模型训练数据；所述预处理具体包括如下步骤：步骤S1-1.数值化，对于入侵检测数据中的字符型特征，通过将其扩展为单位向量来完成数值化；假设该特征有k个特征值，则将其扩展为k维单位向量；步骤S1-2.归一化，数据按比例缩放，将其统一映射到[-1,1]区间上；计算表达式如式(1)所示：其中,x表示原始数据，xmax表示原始数据的上界，xmin表示原始数据的下界，y表示归一化之后的数据，ymax表示归一化后数据的上界，ymin表示归一化后数据的下界；步骤S2.设计多层神经网络模型，为隐藏层和输出层神经元设置相应的激活函数；所述多层神经网络模型是一种机器学习算法，是一种模仿生物神经网络的结构和功能的计算模型；神经网络由大量的人工神经元联结进行计算，是一种自适应系统；具体包括如下步骤：步骤S2-1.设置网络层的节点数，设置隐藏层和输出层神经元的数目；步骤S2-2.在神经网络输入层、隐藏层和输出层之间建立连接，设置相应的权值和阈值参数；步骤S2-3.为隐藏层和输出层神经元设置相应的激活函数，使神经网络模型具有分类特性；步骤S3.使用改进的智能蜂群算法对神经网络模型进行预训练，输出最优的蜜源位置向量；所述改进智能蜂群算法是在经典人工蜂群算法基础上，结合深度优先搜索框架和两个基于精英解的搜索表达式形成；所述人工蜂群算法是一种模拟蜜蜂采蜜行为的算法，其角色分为雇佣蜂、观察蜂和侦察蜂；假设在D维空间中，种群规模为2×N,雇佣蜂个数＝观察蜂个数＝N，蜜源与雇佣蜂相对应，蜜源数目也为N，第i个蜜源的位置记为X＝{X1,X2,X3,…,XN}；每个蜜源的位置代表优化问题的一个候选解，花蜜的数量反映解的质量；所述深度优先搜索是一种用于遍历树或图的算法，沿着树的深度遍历树的节点，尽可能深的搜索树的分支；基于精英解的搜索表达式如式(2)和式(3)所示：Vi,j＝Xe,j+φi,j×(Xe,j-Xk,j)(2)其中，i和k在{1,2,…N}中随机选择，j从{1,2,…,D}中随机选择，Vi,j是第i个候选蜜源的第j维；Xe,j是第e个食物源的第j维，Xk,j是第k个食物源的第j维；φi,j是区间[-1,1]的随机实数；其中，Xe为从精英解中随机选择的解，Xk为从当前种群中随机选择的解；e不等于k，且k不等于i；Xbest为当前最优解，φe,j是区间[-1,1]的随机实数；所述改进智能蜂群算法对蜜源的搜索过程，具体包括如下步骤：步骤S3-1.雇佣蜂对当前蜜源进行邻域搜索，产生新蜜源，根据贪婪原则选择选择较优2CN109120610A权利要求书2/3页蜜源；步骤S3-2.观察蜂根据雇佣蜂分享的信息选择一个蜜源，进行邻域搜索，根据贪婪原则选择较优蜜源；步骤S3-3.雇佣蜂放弃蜜源，转变为侦察蜂，并随机搜索新的蜜源；搜索过程中，观察蜂根据雇佣蜂分享的信息，以轮盘赌的方式根据以下表达式选择一个蜜源:式中，pi表示选择第i个蜜源的概率，fit是食物源的适应度，fi表示待解决问题的目标函数值；雇佣蜂根据记忆中食物源的位置进行邻域搜