耿永利，李永忠，陈兴亮

(1. 镇江高等职业技术学校计算机教研室，江苏 镇江 212016； 2. 江苏科技大学计算机学院，江苏 镇江 212003)

0 引言

计算机网络安全一直是一个亟待解决的棘手问题，如何识别网络攻击是一个关键问题. 网络入侵[1]指未经过用户授权而对系统资源进行非法的操作行为，如何预防入侵行为成为网络安全领域的研究热点. 粒子群优化算法[2](particle swarm optimization, PSO)是一种基于群体智能的，通过粒子的最优积累和跟随粒子群的最优来实现寻优目的的方法，在人工智能和入侵检测领域的应用都较为广泛. 文献[3]提出了极限学习机(extreme learning machine，ELM)的概念，其比传统的误差反向传播算法[4]具有更快的训练速度以及更强的泛化能力. 之后，文献[5]在极限学习机的实践基础上又对核极限学习机(kernel extreme learning machine, KELM)进行了研究. 核极限学习机将核学习和标准化的优化方法结合起来求出最优解，同时减少了确定最优隐节点的过程，比ELM具有更好的泛化能力[6-7]，减少了大量的先验工作. 本研究提出一种利用粒子群优化的极限学习机入侵检测算法，并通过检测模型进行检测，达到检测的预期效果. 首先针对网络数据数量庞大，特征分布离散等问题，该模型采用改进的粒子群优化k均值算法处理数据，增加入侵数据集中相似数据的聚集度； 然后将数据进行10-CV分割，利用粒子群算法全局搜索能力的优点优化多核极限学习机的参数，最后将10-CV的数据通过优化的多核极限学习机进行训练检测. 本文的入……