刘 静，杨正校



改进ACO-SVM在网络入侵检测中的应用

刘 静，杨正校

（苏州健雄职业技术学院 软件与服务外包学院，江苏 太仓 215411）

为了提高网络入侵检测正确率，降低特征冗余，提出一种蚁群优化与支持向量机相结合的入侵检测方法（ACO-SVM）。利用支持向量机的分类精度和特征子集维数加权构造综合适应度指标，利用蚁群算法的全局寻优和多次优解搜索能力实现特征子集搜索，并设计了局部细化搜索方式，实现特征选择结果降维，提高算法的收敛性。

特征选择；蚁群优化算法；支持向量机；网络入侵检测

0 引言

随着网络的迅猛发展，网络攻击方式多样化，攻击数量及其危害程度日益严重，网络入侵检测作为一种安全防御技术显得越来越重要[1]。

网络入侵检测实质是一个多模式识别问题，包含大量冗余信息和噪声特征，如果不加筛选直接使用，会削弱分类器的性能，降低检测速度；由于入侵特征数与检测算法不存在线性关系，当特征数量超过限度时，检测算法性能变坏[2]。因此如何选择网络入侵关键特征，消除冗余，降低入侵检测模型的输入特征维度，成为网络入侵检测建模的关键[3]。目前针对特征选择提出许多有效网络入侵检测算法，主要基于组合搜索策略的设计，其中遗传算法是一种基于仿生学原理的群智能算法，因其设置灵活，全局寻优能力强，成为主流特征选择算法[4]。蚁群优化算法[5,6]在降低特征冗余方面也有一定的优势。大量研究表明，在实际应用中遗传算法能够有效地提取关键特征，但对关联比较强的多组特征时。……