模糊网络入侵中多层序列特征自动提取方法研究

朱闻亚

摘 要： 模糊网络中入侵特征较为多样化，无法通过固定的阈值进行合理判断。为了解决模糊网络入侵检测方法存在检测率低、误报率高和检测速度慢等问题，提出一种基于量子神经网络的层序列特征自动提取方法。在该算法中，通过对模糊网络进行层次划分，运用量子BP神经网络模型以量子形式形态的空间思维结构来提取信息，通过量子空间结构中量子门的移位与旋转变化对神经网络量子形态相位进行操作，完成多层序列特征自动提取。仿真实验表明，该算法具有较好高的检测率和检测效率，并且误报率较低。

关键词： 模糊网络； 入侵检测； 分层操作； 特征自动提取

中图分类号： TN711?34； TP393.08 文献标识码： A 文章编号： 1004?373X（2017）10?0114?04

Abstract： The intrusion features in fuzzy network are diverse， so the intrusion features can not be reasonably judged with the fixed threshold. A kind of layer sequence characteristics′ automatic extraction method based on quantum neural network is put forward to solve the problems of low detection rate and high false rate and slow detection speed in the fuzzy network intrusion detection methods. In this algorithm， the quantum BP neural network model is used to extract information in the space thinking structure of quantum form by means of hierarchical division of fuzzy network， and the phase in quantum form of neural network is operated by means of quantum gate displacement and rotation changes in quantum space structure to complete automatic extraction of multilayered sequence features. The experimental simulation result show that the algorithm has better detection rate， detection efficiency and low false alarm rate.

Keywords： fuzzy network； intrusion detection； hierarchical operation； characteristic automatic extraction

0 引 言

入侵檢测为保证网络安全的重要技术，通过学习能力、适应能力较高的智能学习算法完成检测，不但可以提高检测精度，还可以大大降低错误率。因此，在智能学习算法的基础之上，研究入侵检测方法是很有意义的[1]。在模糊网络的入侵特征提取中，出现了很多较好的方法，支持向量机是一种依据核函数的学习算法，将非线性训练集投影至高维空间中，使非线性训练集达到线性可分的目的，将最大优化间隔面看作分类面，识别样本数据并对其进行分类整理[2]。文献[3]提出一种基于[K]近邻算法的入侵检测方法，依据待测样本与相邻样本之间的距离确定权重，从而实现样本数据集的分类，达到入侵检测的目的。该方法实现过程简单，然而在计算相邻样本权重时，容易造成局部出现最优的问题。文献[4]在信息熵的基础上，提出一种[K]邻近算法，将其应用于入侵检测中，利用样本信息熵完成分类，从而实现入侵检测。该方法检测效率高，然而其信息熵的求解方法不可靠，导致入侵检测结果不可靠。文献[5]在提出一种基于支持多种向量机的检测方法，通过分散方法实现对集合的训练，构建分类器，通过分类器实现入侵检测。该方法检测精度高，但其中聚类处理对初始值的要求较高，且该方法计算量非常大。

依据上述分析，本文提出了一种基于量子神经网络的层序列特征自动提取方法。在该算法中，通过对模糊网络进行层次划分，运用量子BP神经网络模型以量子形式形态的空间思维结构来提取信息，通过量子空间结构中的量子门的移位与旋转变化对神经网络量子形态相位进行操作，完成多层序列特征自动提取。仿真实验证明，该算法具有较高的检测率和检测效率，并且误报率较低。

1 模糊网络入侵中多层序列划分步骤

Step1：如果由[α]代表模糊网络入侵特征的约简阈值，在有限样本集存放在临界值[N]的状态下，满足于[α≥N]的条件，假如在样本中不含有简约样本，那么样本的简约程度不会受到[α]值的影响，可通过不断简约调整其[α]的取值。

Step2：假设由[xi]代表模糊网络中训练集[L]的样本，则需要计算出[Ci]代表的相对应的最近领链[6?7]。

Step3：相对于[Ci]代表的最近领链的距离序列，需要满足于：

Step4：假如对[xij]代表的模糊网络训练集[L]中标记的入侵特征进行初始化操作，会获取[L′]代表的简约特征。

Step5：当模糊网络的入侵特征变换为多类分类问题时，对于[L]可形成多层次分类的局面，其任意的入侵数据都可以进行约简。针对[c]分类问题，对入侵的特征进行[c-1]次约简，从而得到[c-1]的层次集合，则会将相同类型的层次结果归纳为相同类别的最终分层内容。

Step6：假如由[xt]代表模糊网络的入侵特征，[L′]代表初始化的集合，则在[L′]中查询和其最近邻的数量为[k]的入侵特征，且需要满足[xt1，xt2，…，xtk]的条件；在求取相关值时，将欧氏距离用度量单位表示，由[dt1，dt2，…，dtk]代表样本[xt]的最大距离序列。

2 模糊网络入侵中多层序列特征提取

量子BP神经网络模型是在传统人工BP神经网络基础上融合量子计算的神经网络模型，量子BP神经网络模型实质为量子门神经网络结构模型。量子BP神经网络模型不同于传统神经网络的形式，主要在于量子BP神经网络模型以量子形态的空间思维结构来传递信息，通过量子空间结构中量子门的移位与旋转变化操作神经网络量子形态相位，详细描述量子BP神经网络模型的计算运行原则为：量子门作为量子BP神经网络模型进行量子计算的前提，通过通用量子门取代神经网络的激励函数对输入向量进行运算操作。并在模糊网络入侵中多层序列特征提取中进行应用。

由式（8）和式（9）可以看出，量子BP神经网络模型入侵特征提取的作用是使输入的量子BP神经网络模型量子态发生相位的移动变化；而量子BP神经网络模型两位特征提取层中[γ]代表模型控制参数。当满足[γ=1]时，模型量子态出现翻转变化；当满足[γ=0]时，虽然量子BP神经网络模型量子态相位发生了变化，但是通过观测量子态的概率幅并无变化。将这种情况视为量子态没有发生变化，当[γ]为其他值时可以任意调整量子BP神经网络模型量子态的变化。

图1中：[X=x1，x2，…，xn]代表将模糊网络入侵中多层序列特征提取的问题转变为量子BP神经网络模型量子态相应的角度输入；[λ]代表阈值；[δ]代表量子态角度控制因子；arg（u）代表u的相位也被称为权值，[argu=arctanImuReu]；z表示量子BP神经网络模型量子神经元的输出；[gx]代表sigmoid函数。

假设由[Ii]代表量子BP神经网络模型量子神经元的第i个输入，则图1所示的量子BP神经网络模型量子神经元的特征提取输出表示为：

式中：该量子BP神经网络模型的输出模糊网络入侵中多层序列特征提取结果主要根据[θi，λ，δ]这三个控制参数进行调节。首先对量子BP神经网络模型输入量子态进行相位转移，通过对量子态相位转移的结果引入相位角度偏置进行修正处理，在此基础上将相位角度修正结果通过量子BP神经网络模型可控非门获得该模型量子神经元的输出，由此完成对模糊网络入侵中多层序列特征提取的操作。

3 实验仿真与分析

将样本数据集[8]内的2个不相关子集当成测试数据集，在对样本集进行预操作以及训练过程中，任意划分训练样本集，获取1组训练样本、2组常量数据集，具体的数据集如表1所示。

实验采用Matlab 7.1及libsvmmat 2.911工具实现算法，将径向基函数[RBF]当成[SVM]的核函数，通过交叉验证参数方法设置核参数和限制系数的值，聚类数是[k=n2]，[n]用于描述样本总数。实验对本文算法和[B-ISVM]算法的检测率、误报率和训练时间进行比较，详细结果如图2～图5所示。

4 结 语

本文提出了一种基于量子神经网络的层序列特征自动提取方法。在该算法中，通过对模糊网络进行层次划分，运用量子BP神经网络模型以量子形式形态的空間思维结构来提取信息，通过量子空间结构中的量子门的移位与旋转变化对神经网络量子形态相位进行操作，完成多层序列特征自动提取。实验仿真证明，该算法具有较高的检测率和检测效率，并且误报率低。

参考文献

[1] 李骏骁.多层差异网络深度入侵数据挖掘方法研究[J].计算机仿真，2015，32（4）：235?238.

[2] 陈利军，郭红艳.基于粒子滤波的网络入侵相频特征提取算法[J].科技通报，2016，32（3）：101?104.

[3] 康松林，刘乐，刘楚楚，等.多层极限学习机在入侵检测中的应用[J].计算机应用，2015，35（9）：2513?2518.

[4] 隆忠华，王祥.基于模糊时间序列的车辆检测器数据修补方法研究[J].物联网技术，2016，6（6）：21?24.

[5] 胡向东，熊文韬.面向智能家居的入侵检测方法研究[J].广东通信技术，2016，36（5）：10?16.

[6] 赵龙才，李强子，黄慧萍.基于高分辨率影像的平原地区农村居民点自动化提取方法研究[J].遥感技术与应用，2016，36（4）：784?792.

[7] 张凯.大数据网络入侵过程的痕迹数据监测方法研究[J].科学技术与工程，2016，16（14）：254?258.

[8] 吴华，王海顺.基于双向联想记忆网络的航空雷达在线入侵诊断方法研究[J].计算机测量与控制，2015，23（1）：57?59.