梁本来 朱 磊

1(中山职业技术学院信息工程学院 广东 中山 528404) 2(西安理工大学计算机科学与工程学院 陕西 西安 710048)

0 引 言

网络流量的激增，对入侵检测系统(Intrusion Detection System，IDS)的性能提出了更高的要求[1]，为解决这一问题，机器学习在IDS的应用研究是当今的一个趋势[2]。网络流量包含大量的特征信息，其中包含与检测目标关联度较低的特征，以及与其他特征相关性较高的特征，这两类特征可以统称为冗余特征[3]。冗余特征过多，会导致IDS检测算法的时空复杂度增加，降低IDS的检测性能。因此，在原始的特征点中筛选出最优特征子集，保留数据中贡献度较大的特征，去掉一些冗余特征甚至噪声特征[4]，以提高IDS分类器性能，是当今IDS领域的一个研究热点和难点[5]。

随机搜索算法及启发搜索算法是目前选择网络特征子集的两大方法，其中随机搜索算法采用穷举法，策略简单，但计算机量大，对于海量数据的处理效率过低，难以满足IDS的实时性要求[6]。启发式搜索速度快，目前的研究文献主要集中在蚁群算法(Ant Colony Optimization，ACO)、粒子群算法(Particle Swarm Optimization，PSO)等生物智能算法。Mehdi等[7]提出了利用ACO求解特征子集的方法，较为完整地介绍了ACO在特征向量图中搜索特征子集的过程。但该方法并未对ACO进行改进，容易陷入局部最优且不稳定。王峰[8]提供了改进传统ACO的思路，引入同数量级参数优化转移概率，设置优先级优化信息素挥发系数。但该文献对网络流量特征分析较少，没有描述特征拓扑的构建过程，对蚂蚁的起始位置和搜索过程介绍较为笼统，实验数据样本的构造也较为简单。……