基于AFSA-BPNN的网络入侵检测模型

2016-12-21岳小冰

微型电脑应用 2016年8期

岳小冰

岳小冰

为了提高网络入侵检测的效果，针对BP算法收敛速度慢、易陷入局部极值等难题，提出一种基于人工鱼群算法优化BP神经网络的网络入侵检测模型。该模型在基本BP算法的误差反向传播的基础上，采用人工鱼群算法对BP网络的权值和阀值的调整，不仅充分利用了人工鱼群算法的全局寻优性，同时保持了BP算法的反向传播特点，最后，利用建立网络入侵检测模型。采用KDD CUP 99数据集进行仿真实验，结果表明，模型提高了网络入侵检测正确率，而且执行效率可以满足网络安全实际应用要求。

入侵检测；神经网络参数；人工鱼群算法；仿真测试

0 引言

随着Internet应用日益广泛，数据流种类增多，在网络给人们生活带来便利[1]，同时网络入侵频率和危害性呈上升趋势，当前网络安全面临很多挑战，提高网络入侵检测率和速度，成为现代网络安全研究领域中的重大课题[2]。

网络入侵检测首先收集网络状态数据，然后对网络行为进行分析，最后将网络行为分为异常和正常两种，并根据检测结果采取相应安全措施[3]。传统网络入侵检测算法有：模式匹配算法、BM算法等，这些算法均属于单模式的网络入侵检测算法，而实际网络入侵与多种因素密切相关，具有偶然性和时变性等，因此不能适应现代网络安全检测要求[4,5]。近年来，随着人工智能技术的快速发展，出现了如K近邻算法、聚类分析、神经网络等[6-8]入侵检测算法。其中K近邻算法、聚类分析认为入侵行为是一种固定的变化状态，这与网络入侵行为复杂多变性不相符，因此检测结果不理想[9]。BP神经网络（Back Propagation Neural Network，BPNN）是一种非线性分类能力强的机器学习算法，具有易实现、自学习和适应能力强等优点，在网络入侵检测得到了成功应用[10]。在实际应用中，BPNN的网络入侵检测性能与其参数如：各层之间权值、阈值选择密切相关，要建立最优的网络入侵模型，首先需要找到BPNN最优参数，设计最优神经网络。为此，学者们利用各种智能算法对BPNN进行参数寻优，比如遗传算法、粒子群算法、蚁群算法等寻找到BPNN的参数[11,12]。

人工鱼群算法（artificial fish swarm algorithm，AFSA）是一种群智能算法，其收敛速度快，全局寻优能力强，对初值和目标函数的要求不高，模仿自然界鱼群的觅食、聚群、追尾等行为而实现全局寻优[13]。为了提高多网络入侵检测效果，提出一种AFSA算法优化BP神经网络的网络入侵检测模型，并通过仿真实验测试其性能。

1 AFSA-BPNN的网络入侵检测

1.1 BP神经网络

一个三层的前向网络能够以任意精度逼近任何一个非线性函数，因此BP神经网络只需输入层、隐含层和输出层。

Network Intrusion Detection Model Based on AFSA-BPNN

Yue Xiaobing
(Department of Electronics and Information Engineering, Henan Polytechnic Institute, Nanyang 473000, China)

In order to improve the effect of network intrusion detection, a network intrusion detection model based on artificial fish swarm algorithm is proposed to optimize the BP neural network for the problem of slow convergence, falling into local extreme value easily and so on. The model on the foundation of basic BP algorithm of error back-propagation, based on artificial fish swarm algorithm of BP neural network weights and threshold adjustment, not only makes full use of the artificial fish swarm algorithm for global optimization, but also maintains the reverse propagation characteristics of BP algorithm, and finally it is used to establish the network intrusion detection model. Using CUP KDD 99 data set to carry on the simulation experiment, the results show that this model can improve the accuracy of network intrusion detection, and the implementation of efficiency can meet the requirements of the practical application of network security.

Intrusion Detection; Neural Network Parameter; Artificial Fish Swarm Algorithm; Simulation Test