当前位置：文档之家 › 基于DBN-KELM的入侵检测算法

基于DBN-KELM的入侵检测算法

  • 格式：docx
  • 大小：42.63 KB
  • 文档页数：11

基于DBN-KELM的入侵检测算法

汪洋; 伍忠东; 火忠彩

【期刊名称】《《计算机工程》》

【年(卷),期】2019(045)010

【总页数】6页(P171-175,182)

【关键词】深度学习; 深度信念网络; 特征提取; 核极限学习机; 入侵检测

【作 者】汪洋; 伍忠东; 火忠彩

【作者单位】兰州交通大学电子与信息工程学院 兰州730070

【正文语种】中 文

【中图分类】TP393

0 概述

机器学习算法相对于传统的入侵检测算法具有检测率高、误报率低的优势,在入侵检测方面得到了广泛的应用。但传统的机器学习方法需要人工构建样本特征,依赖性较强,无法应对海量多源异构的网络入侵数据。深度学习的发展弥补了传统机器学习的不足,通过对训练样本进行学习可以得到数据抽象特征,无需人工预处理数据。目前的相关研究有:文献[1]提出基于深度信念网络(Deep Belief Network,DBN)的入侵检测算法;文献[2]构建深度学习混合模型DBN-SVM用于入侵检测;文献[3]提出基于深度学习的混合入侵检测模型;文献[4]利用差分进化算法改进深度信念网络,提出基于差分进化与深度学习的入侵检测算法;文献[5]通过卷积神经网络研究入侵检测问题,分别提出基于深度学习和迁移学习的入侵检测方案,得到的结果均优于传统机器学习入侵检测算法;文献[6]提出基于DBN-ELM的入侵检测算法,得到的检测结果优于传统的DBN学习算法。

本文对深度信念网络和核极限学习机(Kernel Extreme Learning Machine,KELM)进行研究,结合DBN网络自动提取特征的能力和KELM学习速率快、泛化性能好的优势,提出DBN-KELM入侵检测算法。

1 DBN-KELM入侵检测模型

1.1 总体架构

本文提出的基于DBN-KELM的入侵检测算法,其模型总体框架如图1所示,主要包括3个步骤:

1)数据预处理。将获取的网络数据中的符号特征转化成数值数据,再将数据均值化到0～1。

2)DBN抽象特征提取。包含DBN的预训练以及BP网络的反向权值微调,得到低维表示的网络数据。

3)KELM分类。DBN训练完成后替换原BP分类器,抽取少量的标签数据对DBN提取的抽象特征进行极限学习,完成对5种攻击类型的识别。

图1 DBN-KELM入侵检测模型结构

1.2 DBN抽象特征提取

深度信念网络[7]是一种生成性深度结构。含有n个隐藏层的DBN模型可以表示为:

p(x,g1,g2,…,gn)=

p(x|g1)p(g1|g2)…p(gn-1|gn)

(1)

其条件概率p(gi|gi+1)如式(2)所示。

(2)

在式(1)中,gi表示DBN第i个隐藏层向量。在式(2)中,为第i层节点的权重矩阵Wi中的元素,为第i层第j个节点的偏置,σ为各层的激活函数,如式(3)所示。

(3)

每个DBN网络由多个RBM和一层BP网络堆叠而成,如图2所示,其训练过程可分解为对RBM的逐层无监督预训练和对BP网络进行反向误差传播微调权值。

图2 DBN模型

1.2.1 RBM无监督学习算法

RBM由可见层(n个神经元)和隐藏层(m个神经元)构成,如图3所示。每个RBM的参数为θ={W,b,c}。其中,W是可见层到隐藏层节点的连接权重矩阵,b是可见层到隐藏层的偏置矩阵,c是隐藏层到可见层的偏置矩阵,vi是第i个可视层神经元的状态,hj是第j个隐藏层神经元的状态。

图3 RBM模型结构

RBM的学习过程就是确定参数θ。RBM采用的学习算法是CD快速学习算法(对比散度学习算法)[8-9],算法描述如下:

算法1 对比散度学习算法

输入 训练样本x0,隐藏层神经元个数m,学习率ε,最大迭代次数L

输出 RBM参数θ={W,b,c}

训练阶段:v0=x0,初始化θ为很小的数

对所有隐藏层单元:

计算

从条件分布p(h1j=1|v1)中抽取h1j∈(0,1) 对所有可见层单元:

计算

从条件分布p(v2i=1|h1)中抽取v2i∈(0,1)

对所有隐藏层单元:

计算

更新参数:

c←c+ε(v1-v2)

b←c+ε(p(h1=1|v1)-p(h2=1|v2))

1.2.2 BP权值微调

预训练完成后,通过BP算法利用少量标签数据对DBN进行监督训练。BP算法将输出值与数据标签对比得到误差,并将其传播至每一层RBM,以最大似然函数为目标函数微调各层权重和偏置,使整个DBN网络达到全局最优,算法具体描述如下:

算法2 反向传播算法

输入 预训练后的DBN参数θ={W,b,c},训练样本,最大迭代次数L

输出 微调后的DBN参数θ′={W,b,c}

训练阶段:对每一个样本vi计算DBN的重构输出v′i,反向传播误差

对每个输出单元计算误差δk:

δk=v′k(1-v′k)(vk-v′k)

对每个隐藏层单元计算误差δh:

更新参数:

θji=θji+Δθji,其中,Δθji=ηδjxj,η为学习率

1.3 KELM分类算法 1.3.1 极限学习机

极限学习机是一种单隐层前馈神经网络,其隐藏层节点参数无需通过迭代算法进行调整,只需要设置隐藏层节点数就可以通过一次性学习得到唯一的最优值[10]。ELM输出函数定义如下:

(4)

在式(4)中,β是隐藏层节点和输出节点之间的输出向量,h(x)是隐藏层节点的输出向量,其中:

(5)

β=[β1β2…βL]T

(6)

因此,ELM的训练过程可等效为求解方程Hβ=T。

求解方程Hβ=T得到β=H+T。其中,H+是隐藏层输出矩阵H的广义逆,是训练样本标签,当HHT非奇异时,H+=HT(HHT)-1,β=HT(HHT)-1T,当HTH非奇异时,H+=(HTH)-1HT,β=(HTH)-1HTT。因此,在这两种情况下ELM的输出函数分别如式(7)和式(8)所示,具体的推导过程可参考文献[10]。

(7)

(8)

1.3.2 核极限学习机

文献[11]研究了最小支持二乘向量机,发现核函数处理大规模复杂数据的优势并将其应用到ELM中,提出了核极限学习机算法。 由核学习理论[12]可知,在KELM学习算法中,式(7)和式(8)中的HHT可由核函数替代,定义ELM的核学习矩阵如下:

ΩELM=HHT

ΩELMij=h(xi)h(xj)=K(xi,xj)

(9)

其中,ΩELM是训练样本的核矩阵,K(xi,xj)为核函数。KELM在ELM的基础上使用核映射取代了ELM的随机映射,通过核函数的计算得到输入到输出的关系矩阵β。文献[12-13]给出了核函数的理论以及4种常用的核函数,本文实验选择的是高斯核函数。

K(x,xi)=exp(-γ‖x-xi‖2),γ>0

(10)

将式(9)带入式(7)中,得到KELM的输出函数:

f(x)=[k(x,x1)k(x,x2)…k(x,xN)]×

(11)

2 实验与结果分析

2.1 数据集预处理

实验采用的数据集是NSL-KDD数据集[14],NSL-KDD是KDD99经过筛选后的数据集,分为训练集(25 192条)和测试集(22 543条)2个部分,数据集将异常类型分成DoS、R2L、U2R、Probe 4大类(具体分布情况如表1所示,所占比例如图4所示),具体分为39种攻击方式。

表1 各类样本分布情况数据集NormalDoSU2RR2LProbe训练集13 4499

234112092 289测试集9 7107 4582002 7542 421

图4 各类样本所占比例 数据集有41维特征,其中包含字符型和数字型。在训练之前,首先将字符数据转化成二进制向量。如协议类型TCP、UDP、ICMP分别表示为[0,0,1]、[0,1,0]、[1,0,0]。标签类型Normal、DoS、R2L、U2R、Probe表示为[0,0,0,0,1]、[0,0,0,1,0]、[0,0,1,0,0]、[0,1,0,0,0]、[1,0,0,0,0]。字符数据映射完成之后进行数据均值化处理,将各维数据归一化到0～1,转化公式如下:

(12)

2.2 实验评价标准

入侵检测系统通常需要高准确率,以及低误警率,本文实验采用准确率AC以及误报率FA作为入侵检测的评价标准,如式(13)和式(14)所示。

(13)

(14)

其中,TN表示正常样本正确分类的个数,TP表示攻击样本正确分类的个数,FP表示正常样本误报为攻击的个数,FN表示攻击样本误报为正常的个数。

2.3 实验参数设置

文献[15]对DBN的隐藏层数设置进行了具体的分析,本文实验中DBN设置为122-100-70-30,预训练算法迭代次数100次,BP微调次数150次,KELM核函数选用RBF核函数,参数(γ,C)设置为(23,26)。与之对比的DBN采用相同的网络参数,DBN-ELM的正则化系数C为210,隐藏层节点数为100。DBN-SVM参数C为1 000,g为0.000 01。

2.4 结果分析

使用NSL-KDD训练集数据对DBN进行预训练,预训练完成后用不同比例的标签数据进行监督训练。抽取30%的NSL-KDD测试集完成测试。表2～表4展示了KELM、DBN、DBN-KELM算法分别在10%、20%、30%、40%训练集比例下对各类样本的识别率,图5和图6展示了3种算法的整体分类准确率和误报率。

表2 KELM对各类攻击识别率 %训练集比例NormalDoSU2RR2LProbe1091.2583.2724.2651.5079.102092.3590.6028.0365.6880.733093.1088.0150.4460.0086.714094.5391.6053.0061.5186.72

表3 DBN对各类攻击识别率 %训练集比例NormalDoSU2RR2LProbe1094.5583.608.0063.9183.932095.7397.0633.0066.9784.923096.5197.4543.0062.3891.124097.0197.0052.4868.6792.77

表4 DBN-KELM对各类攻击识别率 %训练集比例NormalDoSU2RR2LProbe1094.5281.9942.0066.0984.562095.1096.3966.0079.2393.183096.6397.3067.0080.2394.314097.8297.6570.0080.2395.29

图5 不同训练集比例下3种算法的分类准确率

图6 不同训练集比例下3种算法的误报率

实验结果表明:改进后的混合深度学习算法DBN-KELM在40%训练集比例下的整体分类准确率达到95.29%,较DBN提高2.6%,较KELM提高5.98%;对在训练集中含量仅0.04%左右的U2R样本的检测率达到70%,较KELM提高17%,较DBN提高17.52%;在其余各训练集比例下DBN-KELM算法的性能均优于DBN和KELM,说明改进后的算法充分发挥了DBN提取抽象特征的能力以及KELM的泛化能力。

表5展示了DBN-KELM和原始的KELM算法分类器在相同训练集比例下的训练时间,结果表明KELM算法随训练数据的增加,训练时间成倍增加。经过DBN提取抽象特征后分类器KELM的训练时间明显降低,数据量越大,降低得越多,证明改进后的算法更适应海量数据下的入侵检测。

合集下载

基于DBN和SOFTMAX的网络入侵检测模型

基于DBN和SOFTMAX的网络入侵检测模型

山东农业大学学报(自然科学版),2019,50(2):274-276,349VOL.50NO.22019JournalofShandongAgriculturalUniversity(NaturalScienceEdition)doi:10.3969/j.issn.1000-2324.2019.02.022

数字优先出版:2019-04-20基于DBN和SOFTMAX的网络入侵检测模型

魏嘉毅,安琪,周超

北方自动控制技术研究所,山西太原030006

摘要:针对目前对于网络入侵检测准确率不高的问题，本文提出一种基于深度置信网络(DeepBeliefNetworks,DBN)

和SOFTMAX的入侵检测模型。该模型可以自动地对网络信息进行拦截、处理并进行入侵检测。为了验证该模型的

有效性，本文将KDDCUP99-10%和KDDCUP99-Correct数据集作为实验对象，总正确率分别达到了99.67%和99.42%。通过对比实验，将DBN和BP神经网络，TANN等算法进行对比，实验结果证明DBN-SOFTMAX相较于

其他算法具有更高的检测效果。

关键词:网络安全;入侵检测模型;深度置信网络;SOFTMAX

中图法分类号:TP393.08文献标识码:A文章编号:1000-2324(2019)02-0274-03

TheModelofInternetIntrusionDetectionDBNandSOFTMAX

WEIJia-yi,ANQi,ZHOUChao

NorthInstituteofAutomaticControlTechnology,Taiyuan030006,ChinaAbstract:Inviewofapresentlowaccuracyinnetworkintrusiondetection,thispaperproposedamodelofinternetintrusiondetectiononDeepBeliefNetwork(DBN)andSOFTMAXtobeabletoautomaticallyinterceptanddetectanintrusion.Inordertoverifythevalidityofthemodel,thetotalaccuracyofKDDcup99-10%andKDDcup99-correctdatasetwas99.67%and99.42%paredwithDBNandBPneuralnetworkandTANN,theDBN-SOFTMAXhadthebettereffectthanotheralgorithmsininternetintrusiondetection.Keywords:Internetsecurity;intrusiondetectionmodel;DBN;SOFTMAX

基于免疫算法的入侵检测系统

基于免疫算法的入侵检测系统

第２５卷第５期　ｖ０１．２５．Ｎｏ．５　西华大学学报・自然科学版　

Ｊｏｕｒｎａｌ　ｏｆ　Ｘｉｈｕａ　Ｕｎｉｖｅｒｓｉｔｙ・Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　２００６年９月　Ｓｅｐ．２００６　

文章编号：１６７３—１５９Ｘ（２００６）０５—００４８—０３　

基于免疫算法的入侵检测系统　

王　翼，刘兴伟　

（西华大学数学与计算机学院，四川成都６１００３９）　

摘要：文章提出并实现了一种基于异常检测的入侵检测系统，利用生物免疫系统的特点来提高检测入侵行　为的能力，使入侵检测系统具有一定的智能性和分布性，同时能发现新的未知入侵方式，与基于特征入侵的系统结　

合可以达到更高的检测的能力。文章最后给出了在局域网中的性能测试实例。　关键词：入侵检测；免疫算法；异常检测　中图分类号：ＴＰ３０９．５　文献标识码：Ａ　

０　引言　

随着网络应用的快速发展，网络安全成为一个　

无法回避的问题。传统上，公司一般采用防火墙作　

为安全的第一道防线。而随着攻击者知识的日趋成　

熟，攻击工具与手法的日趋复杂多样，单纯的防火墙　

策略已经无法满足对安全高度敏感的部门的需要，　

网络的防卫必须采用纵深的、多样的手段。在这种　

情况下，入侵检测系统（ＩＤＳ，Ｉｎｔｒｕｓｉｏｎ　Ｄｅｔｅｃｔｉｏｎ　

Ｓｙｓｔｅｍ）成为了安全市场上新的热点。按所采用的　

技术不同，入侵检测系统可分为特征检测与异常检　

测两种，其中基于生物免疫系统的异常检测是当前　

研究的热点。从国内外研究现状看，Ｆ０ｒｒｅｓｔ…１等人　

初步构建了一个基于主机的免疫模型，可以完成对　

文件中病毒的诊断与消除。Ｈｏｆｍｅｙｒ等人开发了分　

布式自适应系统模型框架ＡＥＲＩＳ，该模型主要应用　

于网络入侵检测，已取得不错的效果。另外，Ｆｏｒｒｅｓｔ　

还提出了基于记忆的检测模式，通过记忆机制加速　

对异常特征的识别。Ｓｏｍａｙａｊｉ将生物中的平衡理念　

应用于计算机系统，采用系统调用短序列模型实现　了ｐＨ系统。除此之外，Ｋｅｐｈａｒｔ［２ｊ和Ｏｋａｍｏｔｏ等人　

基于遗传算法的入侵检测特征选择

基于遗传算法的入侵检测特征选择

第２９卷第４期　２０１２年４月　计算机应用研究　Ａｐｐｌｉｃａｔｉｏｎ　Ｒｅｓｅａｒｃｈ　ｏｆ　Ｃｏｍｐｕｔｅｒｓ　Ｖｏ１．２９　Ｎｏ．４　Ａｐｒ．２０１２　

基于遗传算法的入侵检测特征选择术　

朱红萍　，巩青歌　，雷战波　

（１．武警工程学院通信工程系，西安７１００８６；２．西安交通大学公共政策与管理学院，西安７１００４９）　

摘要：针对入侵检测日志数据存在大量不相关特征和冗余特征，导致入侵检测数据集维数较高，检测算法实　

时性较低的问题，提出一种基于遗传算法的入侵检测特征选择算法。首先删除入侵检测数据集中的不相关特征　

及冗余特征，构建有效特征集　，并通过偏Ｆ检验对特征进一步选择，构成待优化特征集　；然后采用遗传算法　

对三　进行优化选择，选出最能反映系统状态的特征集　。仿真实验结果证明，该算法在保证特征分类精度和确　

保入侵检测漏检率、误检率尽量小的前提下明显提高了入侵检测的效率。　

关键词：入侵检测；特征选择；偏Ｆ检验；遗传算法　

中图分类号：ＴＰ１８　文献标志码：Ａ　文章编号：１００１—３６９５（２０１２）０４—１４１７—０３　

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—３６９５．２０１２．０４．０６０　

Ｆｅａｔｕｒｅ　ｓｅｌｅｃｔｉｏｎ　ｏｆ　ｉｎｔｒｕｓｉｏｎ　ｄｅｔｅｃｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　

ＺＨＵ　Ｈｏｎｇ．ｐｉｎｇ　，ＧＯＮＧ　Ｑｉｎｇ—ｇｅ　，ＬＥＩ　Ｚｈａｎ．ｂｏ　

（１．Ｄｅｐｔ．ｏｆＣｏｍｍｕｎｉｃａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｅｎｇｉｎｅｅｒｉｎｇ　Ｃｏｌｌｅｇｅ　ｏｆＡｒｍｅｄ　Ｐｏｌｉｃｅ　Ｆｏｒｃｅ，Ｘｉ’ａｎ　７１００８６，Ｃｈｉｎａ；２．Ｓｃｈｏｏｌ　０／Ｐｕｂｌｉｃ　Ｐｏｌｉｃｙ＆　

Ｍａｎａｇｅｍｅｎｔ，Ｘｉ’ａｎ　Ｊｉａｏｔｏｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ　７１００４９，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｔｈｉｓ　ｐａｐｅｒ　ｄｅｓｉｇｎｅｄ　ａ　ｆｅａｔｕｒｅ　ｓｅｌｅｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｔｏ　ｓｏｌｖｅ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｔｈａｔ　ｔｈｅｒｅ　ａｒｅ　ｍａｎｙ　ｒｅｄｕｎｄａｎｔ　ａｎｄ　ｉｒｒｅｌｅｖａｎｔ　ｆｅａｔｕｒｅｓ　ｉｎ　ｔｈｅ　ｉｎｔｒｕｓｉｏｎ　ｄｅｔｅｃｔｉｏｎ　ｄａｔａ　ｓｅｔｓ．ｗｈｉｃｈ　ｌｅａｄｓ　ｔｏ　ｔｈｅ　ｈｉｇｈ　ｆｅａｔｕｒｅ　ｄｉｍｅｎｓｉｏｎ　ａｎｄ　ｌｏｗ　ｅｆｆｉｃｉｅｎｃｙ　ｏｆ　ｄｅｔｅｃｔｉｏｎ．Ｆｉｒｓｔ。　ｄｅｌｅｔｅｄ　ｔｈｅ　ｒｅｄｕｎｄａｎｔ　ａｎｄ　ｉｒｒｅｌｅｖａｎｔ　ｆｅａｔｕｒｅｓ　ｉｎ　ｔｈｅ　ＩＤ　ｄａｔａ　ｓｅｔ．ＳＯ　ａｓ　ｔ０　ｂｕｉｌｄ　ｔｈｅ　ｅｆｆｅｃｔｉｖｅ　ｆｅａｔｕｒｅ　ｓｅｔ　Ｌ．Ｔｈｅｎ．ｕｓｅｄ　ａ　ｐａｒｔｉａｌ　ｃｈｅｃｋｏｕｔ　ｔｏ　ｍａｋｅ　ａ　ｄｅｅｐｅｒ　ｃｈｏｉｃｅ　ｏｆ　ｔｈｅ　ｆｅａｔｕｒｅ　ｔｏ　ｂｕｉｌｄ　ａｎｏｔｈｅｒ　ｆｅａｔｕｒｅ　ｓｅｔ　Ｌ　．Ｆｉｎａｌｌｙ．ｕｓｅｄ　ａｎ　ｉｍｐｒｏｖｅｄ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　ｔｏ　ｏｐｔｉｍｉｚｅ　Ｌ　．ａｎｄ　ｂｙ　ｔｈｉｓ　ｗａｙ．ａＵ　ｆｅａｔｕｒｅｓ　ｔｈａｔ　ｃｏｕｌｄ　ｂｅｓｔ　ｓｈｏｗ　ｔｈｅ　ｓｔａｔｅ　ｏｆ　ｔｈｅ　ｃｕｒｒｅｎｔ　ｓｙｓｔｅｍ　ｗｏｕｌｄ　ｂｅ　ｓｅｌｅｃｔｅｄ．Ｔｈｅ　ｒｅｓｕｌｔ　ｏｆ　ｔｈｅ　ｓｔｉｍｕｌａｎｔ　ｅｘｐｅｒｉｍｅｎｔ　ｓｈｏｗｓ　ｔｈａｔ　ｉｔ　ｃａｒｌ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｅｆｆｉｃｉｅｎｃｙ　ｏｆ　ｉｎｔｒｕｓｉｏｎ　ｄｅｔｅｃｔｉｏｎ　ａｐｐａｒｅｎｔｌｙ　ｏｎ　ｃｏｎｄｉｔｉｏｎ　ｏｆ　ｇｕａｒａｎｔｅｅ　ｔｏ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｃｃｕｒａｃｙ　ａｎｄ　ｌｏｗｅｒ　ｍｉｓｓｉｎｇ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｗｒｏｎｇ　ｄｅｔｅｃｔｉｏｎ．　Ｋｅｙ　ｗｏｒｄｓ：ｉｎｔｒｕｓｉｏｎ　ｄｅｔｅｃｔｉｏｎ；ｆｅａｔｕｒｅ　ｓｅｌｅｃｔｉｏｎ；ｐａｒｔｉａｌ　ｃｈｅｃｋｏｕｔ；ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　

基于自适应遗传算法的入侵检测方法

基于自适应遗传算法的入侵检测方法

第12卷第33期2012年11月1671—1815（2012）33-9075-04科学技术与工程ScienceTechnologyandEngineeringVol.12No.33Nov．20122012Sci.Tech.Engrg.基于自适应遗传算法的入侵检测方法鲁立刘颂（武汉软件工程职业学院，武汉430205）摘要提出了一种基于自适应遗传算法的入侵检测方法。该方法采用自适应的适应度函数、交叉概率及变异概率取代固定的适应度函数、交叉概率及变异概率来改进遗传算法并用于入侵检测中。实验结果证明算法显著提高了自身收敛性能，具有很强的自适应能力，用于入侵检测中在保证较高检测率的基础上，对不同类型的攻击检测具有良好的均衡性。关键词遗传算法自适应入侵检测网络安全中图法分类号TP393.08；文献标志码A

2012年7月31日收到第一作者简介：鲁立（1976—），男（汉族），湖北武汉人，武汉软件工程职业学院副教授，硕士，研究方向：计算机网络。E-mail：yanger2011@。入侵检测（Intrusiondetection）是通过对系统数据的收集与分析，发现未经授权的攻击行为和网络访问，从而为网络安全提供有力的保障［1］。目前入侵检测智能性研究成为热点，这主要是因为智能优化算法、神经网络、模式识别等技术的引入［2］。例如刘永忠等［3］提出了一种基于模糊粗糙集的特征加权聚类算法（FRS-FCM），该方法能有效提高入侵检测的检测准确率，降低误检率，并较大地提高低频攻击的检测率。朱红萍等［4］提出一种基于遗传算法的入侵检测特征选择算法。该算法在保证特征分类精度和确保入侵检测漏检率、误检率尽量小的前提下明显提高了入侵检测的效率。胡明霞等［5］通过遗传算法找到BP神经网络的最适合权值，解决直接使用BP学习造成的训练样本数量过大而难以收敛的问题，与传统网络入侵检测算法相比，该算法的训练样本时间更短，具有较好的识别率和检测率。智能算法、神经网络、模式识别等技术具有自适应（Self-adaptation）、自学习（self-learning）的能力，可以通过自适应、自学习从中提取正常的系统或用户活动特征模式，并检测出异常活动的攻击模式［6—8］。这些特性使得上述方法在入侵检测系统中得到了很好的应用［9，10］。遗传算法（GeneticAlgo-rithm，GA）是一种全局启发式搜索，属于人工智能的进化计算分支［11］。现基于此提出一种基于遗传算法的入侵检测方法，该方法用自适应的适应度函数、交叉概率及变异概率取代固定的适应度函数、交叉概率及变异概率来改进遗传算法。1遗传算法简介按照达尔文（Darwin）的进化论，地球上的任何一种生物从诞生开始就进入漫长的进化阶段。期间必存在生存斗争，生存能力强的个体存活下来比较容易，并有较大的机会产生后代；具有较弱生存能力的个体则较容易被淘汰，或者有较低的概率产生后代，直至渐渐消亡。遗传算法主要就是根据达尔文的进化论以及孟德尔和摩根的遗传学理论而提出的一种基于生物进化机制的全局性概率搜索算法。可用于解决很多应用领域的问题。遗传算法用编码空间代替问题的参数空间，以适应度函数作为一个评价依据，依据一定的概率p重组编码位串，从而生成新一代的编码，群体中的个体不断得到优化，逐渐接近最优解，从而最终达到求解问题的目的。习惯上把Holland于1975年提出的遗传算法称为传统的遗传算法。其主要步骤如下［12］：1）给定群体规模N，交配概率Pc和变异概率Pm；2）随机生成一个N个初始解组成的初始群体；3）计算当前初始群体各染色体x的适应度函数值F（x）；4）如果满足停止准则，则转10）；5）对群体中的每一个染色体x计算概率p（x）；6）依据概率值从群体中随机选择N个染色体，得到种群；7）依交配概率Pc按交叉算子进行交配，其子代进入新的群体，未进行交配的染色体直接复制到新群体中；8）依变异概率Pm从种群中选择染色体按变异算子进行变异操作，用变异后的染色体代替新群体中的原染色体；9）用新群体代替旧群体，代数加一，转3）10）进化过程中适应值最大的染色体，经解码后作为最优解输出；11）结束。计算过程用流程图表示如图1。