一种基于改进河马优化算法的入侵检测方法与流程
本发明属于网络安全与入侵检测,具体涉及一种基于改进河马优化算法的入侵检测方法。
背景技术:
1、随着物联网、云计算、工业互联网和智慧城市等技术的快速发展,大量终端设备接入网络,网络流量规模持续增长,网络攻击方式也呈现出复杂化、隐蔽化和多样化趋势。入侵检测系统作为网络安全防护体系中的重要组成部分,能够通过分析网络流量行为识别异常连接和攻击行为,对保障网络系统安全具有重要意义。
2、然而,在实际网络环境中,网络流量数据通常具有高维度、强冗余和噪声特征较多等特点。大量无关特征和冗余特征不仅会增加入侵检测模型的训练和推理开销,还可能削弱分类器对关键攻击行为的识别能力,导致检测准确率下降和误报率升高。因此,如何从高维网络流量数据中筛选出与入侵行为高度相关的关键特征,是提高入侵检测系统性能的重要问题。
3、特征选择是一种有效的数据降维方法,目标是在保持或提升分类性能的同时减少输入特征数量。传统元启发式特征选择方法在入侵检测任务中存在算法初始种群质量不高,难以充分覆盖高维搜索空间;搜索过程中容易陷入局部最优,导致选出的特征子集存在冗余或判别能力不足的问题。此外,现有方法在全局探索与局部开发之间的平衡能力有限,影响了入侵检测模型的准确率和稳定性。
4、河马优化算法是一种模拟河马群体行为的群智能优化算法,能够通过探索、防御和规避等行为实现搜索空间中的候选解更新。为提高其在网络入侵检测特征选择任务中的搜索能力,本发明提出一种基于改进河马优化算法的入侵检测方法,通过动态准对立学习(dynamic quasi-opposition-based learning,dqobl)、异质种群探索、飞行防御、混沌映射规避以及二值特征映射策略搜索最优网络流量特征子集,并将该特征子集输入集成分类器完成入侵检测。
技术实现思路
1、基于现有入侵检测方法在高维网络流量场景下存在的特征冗余较多、检测准确率不稳定、模型训练开销较大以及易受无关噪声特征影响的问题,本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个,换言之,本发明的目的之一是提供满足前述需求之一或多个的一种基于改进河马优化算法的入侵检测方法。
2、为了达到上述发明目的,本发明采用以下技术方案:
3、一种基于改进河马优化算法的入侵检测方法,包括以下步骤:
4、s1、获取网络流量数据集,并对所述网络流量数据集进行预处理,得到预处理后的网络流量数据集;
5、s2、采用改进河马优化算法对预处理后的网络流量数据集进行特征选择,得到最优特征子集;
6、s3、将最优特征子集输入集成分类器进行入侵检测,输出网络流量数据对应的类别;其中,类别为正常流量或异常流量。
7、作为优选方案,所述步骤s2具体包括以下步骤:
8、s21、初始化改进河马优化算法参数,包括种群规模、最大迭代次数、搜索维度、搜索边界和适应度函数;
9、s22、初始化河马种群,将每个河马个体表示为一个候选特征选择方案;
10、s23、采用动态准对立学习机制生成准对立解,采用贪心算法选择当前解与准对立解中适应度更优的个体;
11、s24、依次执行探索阶段、防御阶段和规避阶段,对河马种群位置进行更新;
12、s25、将更新后的连续位置进行二值化处理,得到二值化的特征选择向量,并利用特征选择向量进行特征选择,得到候选特征子集;
13、s26、以降低分类错误率和减少特征数量为优化目标构建适应度函数,对各候选特征子集进行适应度评价,得到各河马个体的适应度值;
14、s27、比较各河马个体的适应度值,更新全局最优个体及其对应的最优特征子集;
15、s28、判断是否达到最大迭代次数;若否,则重复执行步骤s23~s27;若是,则输出最优特征子集。
16、作为优选方案,所述步骤s22具体包括:
17、生成包含n个河马个体的初始种群,每个河马个体表示一个候选特征选择方案,河马种群的初始分布矩阵如下:
18、;
19、第i个河马个体的位置表示为:
20、;
21、其中,表示原始特征数量,表示第个河马个体在第维特征上的位置计算公式如下:
22、;
23、其中,和分别表示搜索空间的下界和上界,为随机数。
24、作为优选方案,所述步骤s23具体包括以下步骤:
25、s231、采用动态准对立学习机制为每个河马个体生成对应的准对立解:
26、;
27、其中,表示第个河马个体在第轮的准对立位置,表示第个河马个体在第轮的位置,为幅值调节因子,表示当前迭代次数,是由组成的维向量,是由组成的维向量;
28、s232、利用适应度函数对当前河马个体的位置以及准对立位置进行评估,并通过贪心策略选择最优解:
29、;
30、其中,代表当前河马的适应度值评估结果;
31、s233、选择当前种群中最优的个体,并使用贪心策略更新全局最优解,公式如下:
32、;
33、其中,表示第轮迭代中最优的个体位置,表示全局最优位置。
34、作为优选方案,所述步骤s24中,探索阶段中雄性个体的位置更新方式为:
35、;
36、其中,表示第个雄性个体更新后的位置,表示其当前位置,为步长控制随机系数,为整数扰动因子;
37、探索阶段中雌性与未成熟个体的位置更新方式为:
38、;
39、;
40、;
41、;
42、其中,是通过从种群中随机抽取个个体计算得出的均值向量;是一个服从分布的随机向量;和是来源于五种不同探索场景的随机数或随机向量;为均匀分布的随机数;
43、在雌性与未成熟个体的位置更新方式中引入周期性变化的控制因子,控制因子表示为:
44、;
45、其中,表示当前迭代次数,表示最大迭代次数,表示周期调节幅值系数,表示振荡周期长度;
46、构建的五类探索场景,公式如下:
47、;
48、其中,为均匀分布的随机向量为均匀分布的随机标量,为二进制随机整数,表示按位取反;为二进制随机整数;
49、利用贪心策略,比较雄性个体位置和雌性与未成熟个体的位置,更新探索阶段个体位置,公式如下:
50、。
51、作为优选方案,所述步骤s24中,防御阶段中个体的位置更新方式为:
52、;
53、;
54、其中,是一个服从分布的随机向量,表示捕食者的位置,是第个个体与捕食者之间的距离向量;、、和为符合均匀分布的控制参数,、、、;是一个维度为的随机向量;
55、捕食者在搜索空间中的位置公式如下:
56、;
57、其中,是一个维度为的随机向量;
58、第个个体与捕食者之间的距离向量,计算公式如下:
59、;
60、是一个服从分布的随机向量,计算公式如下:
61、;
62、其中,和为服从正态分布的随机变量,为常数参数,为缩放因子,公式如下:
63、;
64、其中,为伽马函数。
65、作为优选方案,所述步骤s24中,规避阶段中个体的位置更新方式为:
66、;
67、;
68、其中,和是从种群中随机选取的两个个体;为均匀分布的随机数;是一个通过混沌映射生成的随机向量;混沌映射函数公式如下:
69、;
70、其中,表示状态变量,表示控制参数;
71、最终对河马种群位置进行更新:
72、;
73、。
74、作为优选方案,所述步骤s26中,适应度函数为:
75、;
76、其中,表示分类准确率,表示被选择的网络流量特征数量,表示原始网络流量特征总数,和为权重系数,且满足。
77、作为优选方案,所述步骤s3中,集成分类器由k近邻分类器、xgboost分类器、lightgbm分类器、支持向量机、决策树和随机森林构成。
78、作为优选方案,所述步骤s1中,预处理包括数据清洗、标签编码和归一化
79、本发明相较于现有技术,具备以下有益效果:
80、本发明的基于改进河马优化算法的入侵检测方法,通过使用cec标准测试函数及三个公开的网络入侵检测数据集对所提算法进行评估表明,imho算法性能优于现有最先进的优化方法,在nsl_kdd、unsw_nb15和cic-ids2018数据集上分别实现了91.86%、93.45%和99.50%的最佳准确率,明显超越现有的先进包装器基特征选择方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com