人工鱼算法优化神经网络的网络入侵检测

丁少华

摘 要：为了提高入侵检测率，降低误检率，提出一种人工鱼算法优化神经网络的网络入侵检测模型。首先收集网络入侵数据并进行预处理，然后输入到神经网络进行学习，并采用人工鱼群算法对网络参数进行优化，最后采用KDD CUP 99数据集进行仿真实验。结果表明，本模型可以获得理想的网络入侵检测率和误检率。

关键词：入侵检测 神经网络 人工鱼群算法 模型参数

中图分类号：TP18 文献标识码：A 文章编号：1674-2117（2014）20-00-01

1 前言

21世纪是网络的时代，网络已进入人们的日常生活，成为人们通信和交流的工具，人们对于网络的依赖也越来越强。

针对网络入侵检测问题，国内外许多学者进行了深入研究，提出了许多有效的网络入侵检测模型。在网络入侵检测过程，网络入侵分类器设计是网络入侵检测的关键，当前网络入侵分类器主要有基于支持向量机、K最近邻算法、神经网络等进行设计。其中出回声状态神经网络（Echo State Network，ESN）是一种新型的网络，具有简单、易实现、泛化能力优异等优点，成为网络入侵检测中的主要研究方向。人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA）是一种采用自下而上信息寻优模式的智能搜索算法，具有并行性、收敛速度快等优点，为回声状态神经网络参数优化提供了一种新的工具。

2 人工鱼算法优化神经网络的入侵检测模型

2.1 回声状态神经网络

ESN是一种由输入层、内部储备池和输出层组成的非线性递归神经网络，其状态方程为：

式中，sigmoid为激活函数；Win和Wx分别为输入和储备池内部的连接矩阵；μ（t），x（t）分别表示t时刻的输入向量和储备池内部状态向量量，sin为输入项比例系数；ρ为内部储备池的谱半径。

那么ESN的输出方程为

（2）

式中，y（t）为t时刻的输出向量Wout为输出连接向量。

输出权值对ESN性能起着关键作用，常采用最小二乘法进行求解，目标函数的最小化形式为

式中 ，

，N为储备池节点数；l为训练样本数。

根据式（3）式得到解

（4）

式中，为的估计值。

从式（1）可知，参数sin和ρ的选取影响回声状态神经网络的性能，本文采用人工鱼群算法（AFSA）对参数sin和ρ的选择，以提高网络入侵的检测正确率。

2.2 人工鱼群算法

工鱼群算模拟鱼群觅食的行为，人工鱼个体的状态可表示为向量Xi=（xi1，xi2，…，xiD），食物浓度表示为Y=f（x），其中Y为目标函数值；Visual表示人工鱼的感知范围：Step表示人工鱼移动的步长；δ表示拥挤度因子。人工鱼的行为包括以下几种：①觅食行为；②聚群行为；③追尾行为；④随机行为。

2.3 人工鱼群算法优化神经网络参数

（1）初始化人工鱼群算法参数，主要包括人工鱼群数以及最大迭代次数；（2）初始位置为回声状态神经网络的参数；（3）计算适应度函数，并选择适应度函数值最大的人工鱼个体进入公告板；（4）人工鱼模拟鱼群觅食行为，得到新的人工鱼位置；（5）与公告板人工鱼的位置进行比较，如果优于公告板，那么将该人工鱼位置记入公告牌；（6）将最优公告牌的位置进行解码，得到回声状态神经网络最优参数；（7）利用最优参数建立网络入侵检测模型，并对其性能进行测试。

3 仿真实验

3.1 仿真环境

数据来自网络入侵标准测试集KDDCUP99数据集，其包括4种入侵类型：DoS、Probe、U2R和R2L，同时包括正常样本，每一个样本共有41个特征，7个符号型字段和34个数值型字段。由于KDDCup99数据集样本多，从中随机选择部分数量的数据进行测试，数据具体分布见下表。为了使本文模型的结果具有可比性，采用PSO算法优化回声状态神经网络（PSO-ESN），遗传算法优化回声状态神经网络（GA-ESN）进行对比实验。

样本集分布情况

入侵类型 训练样本 测试样本

DoS 2000 400

Probe 1000 200

R2L 500 100

U2R 100 20

3.2 结果与分析

所有模型对网络入侵数据进行建模，仿真结果如图1和图2所示。从图1和图2进行仔细分析，可以知道，相对于PSO-ESN、GA-ESN，人工鱼群算法优化神经网络的入侵检测性能最优，网络入侵检测的误报率更低，具有十分明显的优势，在网络安全领域具有广泛的应用前景。

图1几种模型的检测率比较

图2几种模型的误报率比较

4 结语

针对回声状态神经网络参数优化难题，提出一种人工鱼群算法优化回声状态神经网络参数的入侵检测模型。仿真结果表明，相对于对比模型，本文模型提高了网络入侵的检测率，同时误报率明显降低，具有一定的实际应用价值。

参考文献：

[1]唐正军，李建华.入侵检测技术[M].北京：清华大学出版社，2004.

[2]DenningDE.AnIntrusionDetectionModel[J].IEEETransactiononSoftwareEngineering，2010，13（2）：222—232.

[3]陈仕涛，陈国龙，郭文忠，等.基于粒子群优化和邻域约简的入侵检测日志数据特征选择[J].计算机研究与发展，2010，47（7）：1261—1267.endprint

摘 要：为了提高入侵检测率，降低误检率，提出一种人工鱼算法优化神经网络的网络入侵检测模型。首先收集网络入侵数据并进行预处理，然后输入到神经网络进行学习，并采用人工鱼群算法对网络参数进行优化，最后采用KDD CUP 99数据集进行仿真实验。结果表明，本模型可以获得理想的网络入侵检测率和误检率。

关键词：入侵检测 神经网络 人工鱼群算法 模型参数

中图分类号：TP18 文献标识码：A 文章编号：1674-2117（2014）20-00-01

1 前言

21世纪是网络的时代，网络已进入人们的日常生活，成为人们通信和交流的工具，人们对于网络的依赖也越来越强。

针对网络入侵检测问题，国内外许多学者进行了深入研究，提出了许多有效的网络入侵检测模型。在网络入侵检测过程，网络入侵分类器设计是网络入侵检测的关键，当前网络入侵分类器主要有基于支持向量机、K最近邻算法、神经网络等进行设计。其中出回声状态神经网络（Echo State Network，ESN）是一种新型的网络，具有简单、易实现、泛化能力优异等优点，成为网络入侵检测中的主要研究方向。人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA）是一种采用自下而上信息寻优模式的智能搜索算法，具有并行性、收敛速度快等优点，为回声状态神经网络参数优化提供了一种新的工具。

2 人工鱼算法优化神经网络的入侵检测模型

2.1 回声状态神经网络

ESN是一种由输入层、内部储备池和输出层组成的非线性递归神经网络，其状态方程为：

式中，sigmoid为激活函数；Win和Wx分别为输入和储备池内部的连接矩阵；μ（t），x（t）分别表示t时刻的输入向量和储备池内部状态向量量，sin为输入项比例系数；ρ为内部储备池的谱半径。

那么ESN的输出方程为

（2）

式中，y（t）为t时刻的输出向量Wout为输出连接向量。

输出权值对ESN性能起着关键作用，常采用最小二乘法进行求解，目标函数的最小化形式为

式中 ，

，N为储备池节点数；l为训练样本数。

根据式（3）式得到解

（4）

式中，为的估计值。

从式（1）可知，参数sin和ρ的选取影响回声状态神经网络的性能，本文采用人工鱼群算法（AFSA）对参数sin和ρ的选择，以提高网络入侵的检测正确率。

2.2 人工鱼群算法

工鱼群算模拟鱼群觅食的行为，人工鱼个体的状态可表示为向量Xi=（xi1，xi2，…，xiD），食物浓度表示为Y=f（x），其中Y为目标函数值；Visual表示人工鱼的感知范围：Step表示人工鱼移动的步长；δ表示拥挤度因子。人工鱼的行为包括以下几种：①觅食行为；②聚群行为；③追尾行为；④随机行为。

2.3 人工鱼群算法优化神经网络参数

（1）初始化人工鱼群算法参数，主要包括人工鱼群数以及最大迭代次数；（2）初始位置为回声状态神经网络的参数；（3）计算适应度函数，并选择适应度函数值最大的人工鱼个体进入公告板；（4）人工鱼模拟鱼群觅食行为，得到新的人工鱼位置；（5）与公告板人工鱼的位置进行比较，如果优于公告板，那么将该人工鱼位置记入公告牌；（6）将最优公告牌的位置进行解码，得到回声状态神经网络最优参数；（7）利用最优参数建立网络入侵检测模型，并对其性能进行测试。

3 仿真实验

3.1 仿真环境

数据来自网络入侵标准测试集KDDCUP99数据集，其包括4种入侵类型：DoS、Probe、U2R和R2L，同时包括正常样本，每一个样本共有41个特征，7个符号型字段和34个数值型字段。由于KDDCup99数据集样本多，从中随机选择部分数量的数据进行测试，数据具体分布见下表。为了使本文模型的结果具有可比性，采用PSO算法优化回声状态神经网络（PSO-ESN），遗传算法优化回声状态神经网络（GA-ESN）进行对比实验。

样本集分布情况

入侵类型 训练样本 测试样本

DoS 2000 400

Probe 1000 200

R2L 500 100

U2R 100 20

3.2 结果与分析

所有模型对网络入侵数据进行建模，仿真结果如图1和图2所示。从图1和图2进行仔细分析，可以知道，相对于PSO-ESN、GA-ESN，人工鱼群算法优化神经网络的入侵检测性能最优，网络入侵检测的误报率更低，具有十分明显的优势，在网络安全领域具有广泛的应用前景。

图1几种模型的检测率比较

图2几种模型的误报率比较

4 结语

针对回声状态神经网络参数优化难题，提出一种人工鱼群算法优化回声状态神经网络参数的入侵检测模型。仿真结果表明，相对于对比模型，本文模型提高了网络入侵的检测率，同时误报率明显降低，具有一定的实际应用价值。

参考文献：

[1]唐正军，李建华.入侵检测技术[M].北京：清华大学出版社，2004.

[2]DenningDE.AnIntrusionDetectionModel[J].IEEETransactiononSoftwareEngineering，2010，13（2）：222—232.

[3]陈仕涛，陈国龙，郭文忠，等.基于粒子群优化和邻域约简的入侵检测日志数据特征选择[J].计算机研究与发展，2010，47（7）：1261—1267.endprint

摘 要：为了提高入侵检测率，降低误检率，提出一种人工鱼算法优化神经网络的网络入侵检测模型。首先收集网络入侵数据并进行预处理，然后输入到神经网络进行学习，并采用人工鱼群算法对网络参数进行优化，最后采用KDD CUP 99数据集进行仿真实验。结果表明，本模型可以获得理想的网络入侵检测率和误检率。

关键词：入侵检测 神经网络 人工鱼群算法 模型参数

中图分类号：TP18 文献标识码：A 文章编号：1674-2117（2014）20-00-01

1 前言

21世纪是网络的时代，网络已进入人们的日常生活，成为人们通信和交流的工具，人们对于网络的依赖也越来越强。

针对网络入侵检测问题，国内外许多学者进行了深入研究，提出了许多有效的网络入侵检测模型。在网络入侵检测过程，网络入侵分类器设计是网络入侵检测的关键，当前网络入侵分类器主要有基于支持向量机、K最近邻算法、神经网络等进行设计。其中出回声状态神经网络（Echo State Network，ESN）是一种新型的网络，具有简单、易实现、泛化能力优异等优点，成为网络入侵检测中的主要研究方向。人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA）是一种采用自下而上信息寻优模式的智能搜索算法，具有并行性、收敛速度快等优点，为回声状态神经网络参数优化提供了一种新的工具。

2 人工鱼算法优化神经网络的入侵检测模型

2.1 回声状态神经网络

ESN是一种由输入层、内部储备池和输出层组成的非线性递归神经网络，其状态方程为：

式中，sigmoid为激活函数；Win和Wx分别为输入和储备池内部的连接矩阵；μ（t），x（t）分别表示t时刻的输入向量和储备池内部状态向量量，sin为输入项比例系数；ρ为内部储备池的谱半径。

那么ESN的输出方程为

（2）

式中，y（t）为t时刻的输出向量Wout为输出连接向量。

输出权值对ESN性能起着关键作用，常采用最小二乘法进行求解，目标函数的最小化形式为

式中 ，

，N为储备池节点数；l为训练样本数。

根据式（3）式得到解

（4）

式中，为的估计值。

从式（1）可知，参数sin和ρ的选取影响回声状态神经网络的性能，本文采用人工鱼群算法（AFSA）对参数sin和ρ的选择，以提高网络入侵的检测正确率。

2.2 人工鱼群算法

工鱼群算模拟鱼群觅食的行为，人工鱼个体的状态可表示为向量Xi=（xi1，xi2，…，xiD），食物浓度表示为Y=f（x），其中Y为目标函数值；Visual表示人工鱼的感知范围：Step表示人工鱼移动的步长；δ表示拥挤度因子。人工鱼的行为包括以下几种：①觅食行为；②聚群行为；③追尾行为；④随机行为。

2.3 人工鱼群算法优化神经网络参数

（1）初始化人工鱼群算法参数，主要包括人工鱼群数以及最大迭代次数；（2）初始位置为回声状态神经网络的参数；（3）计算适应度函数，并选择适应度函数值最大的人工鱼个体进入公告板；（4）人工鱼模拟鱼群觅食行为，得到新的人工鱼位置；（5）与公告板人工鱼的位置进行比较，如果优于公告板，那么将该人工鱼位置记入公告牌；（6）将最优公告牌的位置进行解码，得到回声状态神经网络最优参数；（7）利用最优参数建立网络入侵检测模型，并对其性能进行测试。

3 仿真实验

3.1 仿真环境

数据来自网络入侵标准测试集KDDCUP99数据集，其包括4种入侵类型：DoS、Probe、U2R和R2L，同时包括正常样本，每一个样本共有41个特征，7个符号型字段和34个数值型字段。由于KDDCup99数据集样本多，从中随机选择部分数量的数据进行测试，数据具体分布见下表。为了使本文模型的结果具有可比性，采用PSO算法优化回声状态神经网络（PSO-ESN），遗传算法优化回声状态神经网络（GA-ESN）进行对比实验。

样本集分布情况

入侵类型 训练样本 测试样本

DoS 2000 400

Probe 1000 200

R2L 500 100

U2R 100 20

3.2 结果与分析

所有模型对网络入侵数据进行建模，仿真结果如图1和图2所示。从图1和图2进行仔细分析，可以知道，相对于PSO-ESN、GA-ESN，人工鱼群算法优化神经网络的入侵检测性能最优，网络入侵检测的误报率更低，具有十分明显的优势，在网络安全领域具有广泛的应用前景。

图1几种模型的检测率比较

图2几种模型的误报率比较

4 结语

针对回声状态神经网络参数优化难题，提出一种人工鱼群算法优化回声状态神经网络参数的入侵检测模型。仿真结果表明，相对于对比模型，本文模型提高了网络入侵的检测率，同时误报率明显降低，具有一定的实际应用价值。

参考文献：

[1]唐正军，李建华.入侵检测技术[M].北京：清华大学出版社，2004.

[2]DenningDE.AnIntrusionDetectionModel[J].IEEETransactiononSoftwareEngineering，2010，13（2）：222—232.

[3]陈仕涛，陈国龙，郭文忠，等.基于粒子群优化和邻域约简的入侵检测日志数据特征选择[J].计算机研究与发展，2010，47（7）：1261—1267.endprint