徐 慧，方 策，刘 翔，叶志伟

(湖北工业大学 计算机学院，武汉430068)(*通信作者电子邮箱xuhui@mail.hbut.edu.cn)

0 引言

网络入侵检测系统(Network Intrusion Detection System, NIDS)[1]能及时检测网络入侵事件，减小网络入侵的破坏。NIDS主要以系统日志的方式作为数据源，判断待检测数据是否属于正常数据，但是并不是每一项数据都可以帮助我们筛选攻击数据，所以对数据进行特征选择[2]是提升NIDS的可靠性和时效性的有效方法之一。对数据特征选择就是保留数据中贡献度较大特征，去掉一些冗余特征甚至噪声特征，目前特征选择的主要算法有二进制粒子群优化(Binary Particle Swarm Optimization, BPSO)算法[3]、遗传算法[4]、二进制灰狼优化(Binary Grey Wolf Optimization, BGWO)算法[5]、二进制布谷鸟搜索(Binary Cuckoo Search, BCS)算法[6]等; 但它们或多或少都存在一些问题，例如遗传算法随机性比较大，BGWO算法易陷入局部最优等。

飞蛾扑火优化(Moth-Flame Optimization, MFO)算法[7-8]是2015年由Mirjalili等提出的一种智能优化算法，它源于飞蛾围绕火焰飞行的行为模拟, MFO已被证明在电力[9]、工程[10]、网络[11]和加工制造[12]等方面具有很好的效果。MFO算法中飞蛾只根据自己的火焰更新位置，所以局部搜索能力很强，但全局收敛性较差，而且易陷入局部最优。为此，文献[13]中结合了Lévy飞行搜索策略提出了一种LMFO(Moth-Flame Optimization algorithm based on Lévy flights)算法，Lévy飞行搜索策略具有小步移动多、偶尔大步移动的特点，扩大了MFO的搜索范围; 文献[14]中提出一种纵横交叉混沌捕焰优化算法，采用纵横交叉机制，将火焰之间和火焰的不同维度之间相互结合，并引入混沌算子，提高了算法精确度和跳出局部最优能力。

尽管MFO算法应用和改进比较广泛，但还没有应用于网络入侵检测中, 因此，本文尝试将MFO结合粒子群优化(Particle Swarm Optimization，PSO)算法以提升MFO的全局搜索能力和收敛速度。……