谭敏生 杨帅创 丁 琳 彭 敏

(南华大学计算机学院 湖南 衡阳 421001)

0 引 言

据统计2018年全球互联网用户突破40亿，数据的传输呈现爆发式增长。传统的入侵检测技术(Intrusion Detection System,IDS)已不能满足人们的需求,并日益显露弊端。因此，如何更好地提高网络的有效防御已成为当前网络安全技术的研究热点。

近阶段的入侵检测技术主要是将机器学习运用于IDS中[1]。所采用的机器学习算法主要有支持向量机(SVM)[2]、神经网络[3]、卷积神经网络[4]。在此基础上为进一步提高检测系统的检测性能[5]，机器学习融合群体智能算法的检测系统也逐渐被研究者提起。例如：利用蚁群算法优化SVM参数[6]，混沌粒子群算法结合最小二乘支持向量机的混合算法[7]，以及遗传算法优化卷积神经网络的方法[8-9]。针对原始网络数据包含大量冗余和无用特征，易出现“维数灾难”[10]降低入侵检测效率，群体智能算法融合传统机器学习存在入侵检测准确率低，卷积神经网络(CNN)的网络结构及初始参数对其性能影响较大的问题，本文提出结合随机森林(RF)和粒子群(PSO)优化CNN网络结构和初始参数的方法构建入侵检测模型。利用随机森林对独热编码后的数据进行特征度量。在不影响分类性能的基础上，保留主要特征信息，实现数据的最优压缩[11-12]。以此来缩减建立模型时数据的特征数，降低模型复杂度。采用粒子群优化卷积神经网络的网络结构和初始参数，使卷积神经网络在非经验指导下自主选择[13]最佳网络结构参数和初始权重。……