基于神经网络优化模型的网络通信异常检测①

洪 彦

(漳州职业技术学院，福建 漳州 363000)

0 引 言

网络通信异常流量、网络通信干扰、网络通信错误等带来许多麻烦[1]。其中，网络通信流量异常问题给人们造成的影响较大，尤其是降低了网络用户体验评价。部分用户反映网络通信中流量使用过多，超出了正常使用标准，导致计费增加[2]。为了帮助用户解决此类网络通信问题，研发一套网络通信流量异常检测方法显得尤为重要。由于网络异常流量类型繁多，可能导致流量异常的因素较多，加大了检测难度[3]。目前，神经网络模型应用较多，但是该模型存在运行效率低、训练耗时较长、陷入局部最优解等问题[4-5]。为了弥补该模型的不足，本文尝试对该模型进行优化，使得检测算法的性能得以改善。

1 神经网络优化模型

1.1 基于遗传算法的神经网络优化模型的构建

模型在BP神经网络模型的基础上，选取遗传算法作为优化工具，构建新的网络通信异常检测模型，模型描述如式(1)：

(1)

关于神经网络的实际输出的计算，采用的计算公式如式(2)：

(2)

公式(2)中，g代表位于隐含层的神经元激励函数；f代表输出神经元激励函数；φt代表输出神经元阈值；λi代表过程神经元阈值；vij代表位于输出层与隐含层节点之间的连接权值；wij代表神经网络隐含层、输入层节点之间的连接权值。

对连接权值采取修正处理，涉及到的计算公式如式(3)：

Δwij(n)=-φg(n)+αΔwij(n-1)

(3)

公式(3)中，g(n)代表误差函数对权值对应的梯度；φ代表自适应学习率；n代表迭代次数；α代表动量因数。

1.2 网络通信异常检测流程

关于神经网络优化模型在网络通信异常检测模型开发中的应用，首先创建BP神经网络，而后对该网络的结构参数采取初始化处理，同时创建相应函数[6]。其次，优化网络模型参数。此操作环节使用到的方法为遗传算法，生产初始种群，而后对这个种群采取优化、交叉、变异等一系列处理，使得网络模型的阈值、权值得以优化[7]。最后，将优化处理后的阈值、权值带入神经网络模型中，形成完整的检测模型。

按照上述网络通信异常检测模型开发思路，设计如图1所示的网络通信异常检测流程。

第一步：对网络拓扑结构采取初始化处理；

第二步：对神经网络权值、阈值长度两个参数采取初始化处理；

第三步：通过GA初始化编码，形成初始种群；

第四步：计算当前种群当中所有的个体适应值；

第五步：选择适应度较高的个体作为保存对象，完成符合标准的个体保存；

第六步：运行算法，完成数据交叉处理；

第七步：运行算法，完成数据变异处理；

第八步：判断当前是否完成了所有网络流量检测对象的识别与种群处理，如果已经达到终止标准，则执行第九步，反之，返回第四步；

第九步：从众多个体中挑选出最佳个体；

第十步：根据最佳个体信息，获取最优阈值、权值；

第十一步：计算误差；

第十二步：更新阈值和权值；

第十三步：判断当前所有阈值和权值均得以更新，如果未能满足终止条件，则返回第十一步，反之，输出神经网络。

2 优化模型算法改进

虽然上述神经网络模型已经采取一系列措施得以优化，但是生产适应度较强的个体在神经网络模型检测运行期间，容易对遗传算法造成影响。所以，对该问题进行改进。选取混合编码方式作为改进工具，以多个参数作为优化修正处理对象，对算法进行改进。其中，涉及到的参数包括变异概率Pm，交叉概率Pc，变异算子、交叉算子等。

研究选取两种算法作为研究支撑，分别是实数编码、二进制编码解码，将这两种方法结合到一起，充分发挥各自的优点，形成新的基于遗传算法的网络通信异常检测模型[8]。

2.1 适应值函数的选取

改进算法将遗传算法的搜索目标作为优化对象，以网络权值作为计算指标，通过计算各个权值的网络误差平方和，从中挑选数值最小的网络权值作为搜索目标。利用图1中的检测方法，获取阈值和权值，经过计算，得到神经网络误差平方和。其中，运用到的函数为适应度函数，该函数的表示方法为适应误差的倒数。关于个体适应值的计算如(4)：

f(Xi)=E(Xi)-1

(4)

式(4)中，E(Xi)为网络目标函数，计算公式如(5)：

(5)

2.2 算法改进

算法采用排序法，对个体序列进行调整，使其降低对遗传算法的影响。该方法的应用，是根据个体适应度的差异，采取不同的转换处理，从而完成序列的排序。其中，被选取概率较大的个体适应度较大。完成排序后，按照以下算法计算个体选取概率如(6)，(7)：

Pi=q′(1-Pmax)n(i)-1

(6)

(7)

公式(6)，(7)中，n(i)代表种群编号为i的染色体适应值排序；Pmax代表众多染色体中选取最优的概率。

接下来，计算每一个个体累计选取概率，生成序列后，按照升序排列。其中，序号为i的个体将直接转入下一代中。二进制编码期间，采用单点交叉法，随机抽取父代串交叉点，将该交叉点与对应的子串交换，从而形成新的交叉算子。

为了保证种群的多样性，采用变异处理方法，使得种群的基本位得以变异。其中，实数部分的变异，采用的方法为非均匀变异方法。对于变异概率和交叉概率的确定，是根据种群陷入局部实际情况，对两种概率参数做出合理调整。

3 实验测试分析

3.1 实验测试内容与方法

为了检验提出的算法可靠性，研究开展网络异常流量数据检测实验。考虑到异常流量种类较多，仅选取一种异常流量作为检测对象，所得结果存在片面性，实验选取6种类型异常流量作为检测对象。如表1所示为异常网络流量类型及相应特征信息。

表1 异常网络流量类型及相应特征信息表

实验选取未优化前的BP神经网络作为对照组，以提出的算法作为实验组，控制网络通信环境相同，采用不同的方法，分别开展网络通信异常流量检测实验。

3.2 实验测试结果分析

实验共计6组，每组实验检测对象分别为Flash Crowd异常流量，Network Scan异常流量，Alpha Anomaly异常流量，Worms异常流量，Port Scan异常流量，DDos异常流量。按照实验测试方案，分别统计两种神经网络模型应用下的网络通信异常流量测试结果，如表2所示。

表2 误报率与准确率测试统计结果

表1中测试结果显示，与BP神经网络模型相比，研究提出的网络通信异常流量检测方法测试准确率更高，6组实验检测结果准确度皆在92.4%以上，满足网络通信异常流量检测精度要求。而BP神经网络模型在Worms异常流量检测中所得精准度最高，仅有88.6%。由此看来，研究提出的检测算法能够有效改善网络通信异常流量检测精确度，可以作为异常流量检测工具。

4 结 语

围绕网络通信异常问题中的异常流量作为研究对象，引入BP神经网络模型，构建异常流量检测模型。该模型在传统检测模型基础上进行了优化，利用遗传算法构建初始种群，经过优化、交叉、变异等一系列处理，调整网络模型的阈值、权值，达到模型优化的目的。实验测试结果显示，该研究提出的算法支持多种类型异常流量检测，检测精度在92.4%以上，符合异常流量检测需求。