论文部分内容阅读
随着计算机和网络技术的广泛使用,网络安全防护成为一个研究热点。入侵检测技术是保障网络安全的重要手段,基于人工智能算法的入侵检测方法成为了当前网络安全领域的重要研究课题。支持向量机是在统计学习理论基础上发展起来的新型机器学习算法,可以较好地解决小样本、高维度和非线性的实际问题。使用支持向量机进行入侵检测,可以解决许多传统安全防护技术存在的问题。 通过分析基本教学算法的收敛过程,论证了算法在“教”阶段存在的“原点偏好”缺陷。在解决复杂实际优化问题时,教学算法(Teaching and Learning Based Optimization,TLBO)存在易于陷入局部最优的缺陷,为此,本文提出了一种改进教学算法(ModifiedTLBO,MTLBO)。该算法在“教”阶段引进自适应基准以消除“原点偏好”缺陷,同时在“学”阶段引进分科学习和学习阈值的学习策略以保证学生多样性。最后通过四个测试函数进行对比实验,测试结果表明,该改进提高了TLBO算法的全局搜索能力和求解精度。 阐述了SVM的理论基础,分析了SVM参数对其分类性能的影响。针对支持向量机的参数选择问题,使用改进教学算法对SVM的核函数参数和惩罚因子进行迭代寻优,提出了一种基于改进教学算法优化支持向量机的多分类算法(MTLBO-SVM)。最后通过四个UCI标准数据集进行仿真实验,实验结果表明MTLBO-SVM算法具有更高的分类精度,且训练时间更短。 设计了网络入侵检测系统的功能模块,并将本文提出的MTLBO-SVM算法应用到入侵检测中。采用部分KDD99数据集进行仿真实验,测试结果表明,相比于现有的GA-SVM、PSO-SVM和TLBO-SVM算法,MTLBO-SVM算法具有更高的检测精度及更低的误报率和漏报率。