论文部分内容阅读
随着互联网的广泛运用,互联网已经渗透到我们生活的各个角落,随着互联网运用的普及,互联网的安全也越发的引起我们的关注。作为主要的安全技术之一,网络入侵检测技术应运而生,网络入侵检测技术主要以之前的收集到的数据为基础,以检测访问数据是否数据攻击数据。对此,本文的主要研究如下:(1)鉴于飞蛾扑火优化(MFO)算法收敛过快,易陷入局部最优的问题,本文提出一种改进的二进制飞蛾扑火优化算法。该算法引入MFO螺旋飞行公式,具有较强的局部搜索能力;结合了粒子群优化(PSO)算法的速度更新方法,让种群个体随着全局最优解和历史最优解的方向移动,以增加算法的全局收敛性,从而避免易陷入局部最优。实验先通过测试函数检验改进的飞蛾扑火优化(PMFO)算法,再用sigmoid函数将原有的算法转化为二进制算法,及BPMFO算法,通过UCI数据集对BPMFO算法进行检验,实验证明BPMFO算法与PMFO算法具有实用价值。(2)针对当前网络入侵检测中的数据量较大、数据维度较高、识别率不高的特点,本文考虑将PMFO与BPMFO算法应用于网络入侵检测的分类器优化与特征选择中。在分类器优化方面,本文考虑将改进的飞蛾扑火优化算法应用于加权K-近邻算法的权重优化中,提升算法的求解能力,结果表明PMFO算法应用于加权K-近邻算法,在时间,准确率方面具有很好的效果。在特征选择方面,本文考虑将改进的二进制飞蛾扑火优化算法应用于特征选择中,结果表明,BPMFO算法应用于网络入侵检测的特征选择时,在算法精确度、运行效率、稳定性、收敛速度以及跳出局部最优的综合性能具有明显优势。(3)本文考虑将得到的加权k近邻算法分类优化的结果与特征选择得到的结果相结合,应用于网络入侵检测中。实验总共分为四组,第一组使用特征选择与权重优化,第二组使用加权k近邻算法的权重优化,第三组使用特征选择,第四组不使用加权k近邻算法的权重优化与特征选择,实验证明本文将改进的飞蛾扑火优化算法应用于加权k近邻算法的权重优化与网络入侵的特征选择时,在提高网络入侵检测的识别率和运行效率方面有显著提升。