符保龙

（柳州职业技术学院，广西 柳州 545006）

0 引言

随着网络的发展，网络安全受到广泛的关注，对网络入侵的研究已经成为数据挖掘的一个热点问题。很多学者都对网络入侵检测进行了大量研究，周飞菲[1]根据向量机的特点，结合决策集合理论，提出了一种向量机和决策理论相融合的入侵检测模型，有效解决了数据高维度的问题。刘其琛等[2]利用粗糙集对样本属性进行约简，利用稀疏化算法优化对最小支持向量机进行优化，解决网络入侵数据高维度、大数据量的问题。王雪松等[3]利用高斯函数对蚁群进行优化，克服蚁群易于陷入早熟的问题，并利用优化的蚁群算法对支持向量机的参数进行寻优，提升支持向量机的分类效果。

笔者针对网络入侵数据高维度、数量大的特点，利用最小支持向量机（Least Squares Support Vector Machine，简称LSSVM）[4]对网络入侵数据进行检测。在检测过程中，引入混沌猴群算法（Chaotic Monkey Algorithm，简称CMA）[5]对LSSVM的核函数系数以及函数的调节系数进行优化，构建一个基于混沌猴群优化的最小支持向量机Web文本分类模型（Text Classification Model of Least Squares Support Vector Machine Based on Chaotic Monkey Optimization Algorithm，简称CMA-LSSVM）。实验结果表明，CMA-LSSVM模型对网络入侵数据具有良好的检测速度和精度，具有一定的应用前景。

1 混沌猴群优化的LSSVM网络入侵检测模型

1.1 LSSVM概述

LSSVM算法是针对标准SVM算法存在不等式约束过多、影响算法效率等问题，用等式约束替换不等式约束，从而用最小二乘法的线性方程组对拉格朗日乘子进行求解，提升算法的运算速度。LSSVM算法可以较好地解决大样本、高维度……