冯莹莹，余世干，刘辉

阜阳师范学院信息工程学院，安徽阜阳 236041

KNN-IPSO选择特征的网络入侵检测

冯莹莹，余世干，刘辉

阜阳师范学院信息工程学院，安徽阜阳 236041

为了提高网络入侵检测的正确率，提出一种基于KNN-IPSO选择特征的网络入侵检测模型（KNN-IPSO）。首先采用K近邻算法消除原始网络数据中的冗余特征，并将其作为粒子群算法的初始解，然后采用粒子群算法找到最优特征子集，并对粒子的惯性权重进行自适应调整和种群进行混沌操作，帮助种群跳出局部最优，最后采用KDD CUP 99数据集对KNN-IPSO的性能进行测试。结果表明，KNN-IPSO消除了冗余特征，降低了分类器的输入维数，有效提高了入侵检测正确率和检测速度。

入侵检测；特征选择；特征关联性；改进粒子群算法

1 引言

随着Internet用户增加，网络规模越来越庞大，网络入侵事件日益增多，入侵检测系统作为安全防御的最后一道防线，能够检测各种形式的入侵行为，因此网络入侵检测一直是网络安全中的研究热点[1-2]。

在网络入侵检测过程中，特征选择结果优劣对网络检测速度和正确率产生直接影响[3]。原始网络数据包括大量冗余或无用特征，易出现“维数灾难”问题，而且入侵检测过程需要对海量数据进行处理，实时性要求高。特征选择是指在保持原有网络数据信息完整性的基础上，剔除无用或者冗余特征，以提高网络入侵检测效率[4]。当前网络特征选择方法主要有模拟退火算法、蚁群算法、粒子群优化算法等群智能算法进行特征选择[1，5-6]。……