韩奕

（公安部第一研究所 北京市 100048）

近年来，随着5G 时代的来临，世界上物联网设备的数量正在急速增加，预计到2020年年底将有超过500 亿件物联网设备连接到互联网上。但是伴随着物联网设备的增加以及通信技术的创新和发展，物联网安全漏洞问题越来越严重，由于这些智能设备可以方便地在任何地点、任何网络、任何距离使用，所以容易受到各种恶意攻击。与传统互联网不同的是，物联网一旦被入侵，会造成更为严重的后果，不只是数据泄露，服务受挫，更可能对物联网设备造成破坏。因此，物联网入侵检测越来越受到物联网安全相关研究人员的重视。

神经网络技术在物联网入侵检测领域有着很好的应用前景，能针对入侵检测需求完成对攻击模式的处理。而目前，神经网络在入侵检测中的应用中存在检测率低、误报率高、检测周期长等缺点，为了克服这些缺点，普遍使用种群算法等智能优化算法对神经网络进行优化，可以加快神经网络的收敛，从而取得更好的效果。

颜谦和等人[1]提出利用生物遗传中的杂交、变异等机制运用到神经网络中的阈值寻优中，通过在BP神经网络迭代计算中引入交叉因子和变异因子，使BP神经网络得到最优参数，最终在KDDcup99 数据集的仿真实验对Dos 类型的检测中取得93.2%的检测率。沈夏炯等人[2]使用模拟蜜蜂觅食行为的人工蜂群算法优化BP神经网络的初始值，通过学习引领蜂和跟随蜂觅食时的正反馈效应，加快收敛速度，仿真实验证明该论文所使用的方法能获得更快的收敛速度。……