基于文化算法的入侵檢測算法研究.pdf

1、如今由于互聯(lián)網(wǎng)技術發(fā)展所帶來的網(wǎng)絡安全問題日益增加，這些問題的出現(xiàn)使得入侵檢測技術成為學者們研究的熱點，而其中基于免疫的入侵檢測因具有很強的自適應性、魯棒性，以及自我修復性被大量學者所關注。
　　在整個免疫入侵檢測過程中主要包括否定選擇算法和克隆選擇算法，利用否定選擇算法來生成成熟檢測器，利用克隆選擇算法來訓練成熟檢測器，所以克隆選擇算法對檢測器性能的提升起到至關重要的作用。
　　針對傳統(tǒng)的免疫克隆選擇算法中使用的是單一的變

2、異，難以在進化過程中兼顧全局搜索和局部搜索，造成算法出現(xiàn)陷入局部最優(yōu)或收斂速度慢等問題。本文通過引入文化算法，實現(xiàn)種群空間和信仰空間雙層進化，在變異時將全局搜索能力強的柯西變異和局部搜索能力強的混沌變異相結(jié)合，提出了自適應混合變異克隆選擇算法，利用信仰空間的知識來自適應地確定兩種變異的作用時間和作用比例。通過KDDCUP99數(shù)據(jù)集進行測試，結(jié)果顯示該算法有較好的收斂性和魯棒性。
　　鑒于文化算法特有的雙層進化的特點，同時針對目前尚

3、未有對支持向量機(Support Vector Machine，SVM)參數(shù)進行優(yōu)化選擇的統(tǒng)一方法，本文提出了基于文化算法的SVM參數(shù)優(yōu)化，在核主元分析(Kenel Principle Component Analysis，KPAC)的基礎上，先使用KPCA對數(shù)據(jù)進行降維，再引入文化算法，優(yōu)化SVM的懲罰參數(shù)C和高斯核參數(shù)σ，得到最優(yōu)的參數(shù)組合，最后使用降維之后的數(shù)據(jù)集訓練SVM分類器。通過KDDCUP99數(shù)據(jù)集進行測試，結(jié)果顯示該算法