基于网络流量异常检测的网络安全技术研究―群体智能算法优化的神

1、江南大学硕士学位论文基于网络流量异常检测的网络安全技术研究群体智能算法优化的神经网络技术研究姓名:马汝辉申请学位级别:硕士专业:计算机应用技术指导教师:刘渊20080701 第四章基于QPSO-WNN在异常检测中的应用局收敛能力更强,并且有较快的全局收敛速度,而且在相同的迭代次数下比PSO算法, GA算法具有更好的收敛效果。由表4.3可以看出,三种不同的训练算法对小波神经网 络训练后的性能有很大不同,QPSO进化算法的训练效果明显大于另外两种算法,由训 练后的三种不同的神经网络对于异常的检测率以及对于正常状态的误判率结果可以看 出,QPSO算法训练的小波神经网络要优于另外两种算法的小波神经网络

2、。由表4.4通 过比较可以看出QPSO.WNN模型对于测试样本异常的检测效果,它发现了16种新的异 常攻击,检测率达到了91.224%,由此可见该模型更能适应新的环境,发现未知的异常, 是普遍有效的。37江南大学硕士学位论文第五章基于MQPSOWFNN的网络异常检测问题的研究本章主要探讨一种改进的QPSO算法优化的小波模糊神经网络对于网络异常检测 的应用研究。在异常检测中,PSO算法会经常陷入局部极值。相比于PSO算法,QPSO 算法虽然具有更好的全局搜索能力,但是QPSO算法仍有可能会陷入局部最优,从而他 们优化的神经网络不能很好的完成异常检测问题,针对PSO算法和QPSO算法的上述 不足,

3、考虑将变异机制引入QPSO算法以使算法跳出局部最优并增强其全局搜索能力。 这种引入了进化思想的QPSO算法,在搜索最优解的后期阶段可以增加解的多样性,进 而可以使算法跳出局部最优解。本章运用改进后的QPSO算法优化小波模糊神经网络用 于求解异常检测问题,仿真实例表明,该算法具有较高的异常检测精度和良好的全局收 敛性能。5.1改进的QPSO算法在基本的量子粒子群优化算法(QPSO中,当粒子飞越边界飞出搜索域后,通常 是将边界位置值赋予该粒子,即if Xfd>xmaxxfd5XmaXend或者,ifxfd<一xmaxXfd2。xmaxend经过这样的处理后,所有越界的粒子都聚集在边界处

4、,如果边界处存在局部最优, 就会使粒子很容易陷入该局部最优点,从而找不到真正的最优解;同时,随着边界处粒 子的增多,种群的多样性也降低了,势必会影响到算法的全局搜索能力。在本文中,针对越界的粒子,做了一些相应的处理:if xfd>xmaxx fd=xmax木(1一c宰rand0end或者,if xtd<-xmaxx,d2。xmax宰(1。c毒rand(end其中,c=0.01。从上面的处理可以看出,在经过对越界的粒子做了变异操作后,越 界的粒子不再像以前那样,聚集在边界处,而足分布在离边界c'rand0的可行空间内。 通过这种操作,既使得粒子位于可行空间内,又克服了原来算法

5、中在边界上容易陷入边38第五章基于MQPSO-WFNN的网络异常检测问题的研究界局部最优的缺点,同时还增加了种群的多样性,有利于提高算法的全局搜索能力。 基于边界变异的QPSO算法(QPSOB详细描述如下:初始化种群的每个粒子的位置向量,计算粒子的适应值,并得到pbest和gbest的值。 for t=l to最大迭代次数MAXITER计算beta值和mbest的值for i-l to种群规模popsize仍=rant(O,1 仍=ram(O,1p=锄宰弘+讫木仂圳锄+讫u-rand(O,1;/f rand(O,1>o.5x耐=P一宰abs(mbestd-Xid木ln(1/uelseXi

6、d=P+木abs(mbestdx耐水ln(1/uendifif abs(x,d>xmaxx,d 2sign(xfd木xmax牛(1。C事rand(endif刷新pbest的位置;刷新gbest的位置;end forend for其中,c=O.01,用来限制越界粒子重新分布在边界附近可行域内的范围的大小。5.2小波模糊神经网络概述神经网络具有并行计算,分布式信息存储,容错能力强以及具备自适应学习等一系 列的优点。但一般来说,神经网络不适合表达基于规则的知识,因此在神经网络的训练 时,由于不能很好地利用先验知识,常常只能将初始权值取为零或随机数从而增加了网 络的训练时问和陷入非要求的局部极值

7、,这是神经网络的不足。另一方面,模糊逻辑也 是一种处理不确定性,非线性等问题的有力工具。它比较适合于表达那些模糊或定性知 识,其推理方式比较适合于人的思维模式,但是一般说来模糊逻辑系统缺乏学习和自适 应能力。由此可以想到,若能将模糊逻辑和神经网络适当地结合起来,综合二者的长处, 应该可以得到比单独的神经网络或单独的模糊系统更好地系统.这样就诞生了模糊神经 网络【56,571。与传统的神经网络模型不同,模糊神经网络的结构和权值都有一定的物理含义。在 设计模糊神经网络结构时,可以根据问题的复杂程度及精度要求,并结合先验知识来构 造相应的模糊神经网络模型。这样,网络的学习速度就会大大加快,并在一定程

8、度上回39江南大学硕士学位论文避了梯度优化算法带来的局部极值问题。本文采用串联方式将小波分析、模糊逻辑和神经网络有机地融合在一起,产生一种 称之为小波模糊神经网络的异常检测模型。小波神经网络模型构造下图6.1:l 2345矗图5.1小波模糊神经网络模型Fig.5-1the model of wavelet fuzzy neural network本文所用的小波模糊神经网络共包括6层。其中第一层是小波神经元层。输入的时间序列,如网络流量被分解为高频和低频部 分通过小波变换,从而获取了异常攻击的错误信息。给定可微的小波母函数以后,伸缩 系数和平移参数作为权值的一部分可通过学习来得到。在仿真计算中,

9、由于希望小波具 有正交性和较小的支撑,故选取了Daubeches一4小波,由于其没有解析表达式,可以通 过Mallat算法计算出高频信号分量和低频信号分量。从第二层到第六层是模糊神经网络,模糊神经网络有多种,本文采用应用广泛的 Sugeno模型。第二层为模糊化,求出输入变量分别对相应模糊子集的隶属度,其输出为 研=。,(x,其中。,(x为模糊集(or彰的隶属度函数,通常取为钟形函数鲥垆硐11+Ill l 其中ai,匆,q为待定参数。第三层是计算每条规则的激活强度,这里选用乘积算子 哆=卅(Y1%(咖(M矽(YM 第四层为第i个神经元用于求第i条规则的标准激活强度为l l虿=q/q|k=l其中,为规则的总数。(5.1(5.2 (5.3第五章基于MQPSO-WFNN的网络异常检测问题的研究第五层为解模糊运算,其输出为研-五,z=石(d五+p2,x2+h+,; (5.4 第六层为小波模糊神经网络的输出,计算公式为厂=砒 (5.5 ,5.3系统仿真实验将QPSO算法和MQPSO算法分别作为小波模糊神经网络的训练算法依次训练优 化,得到QPSO.WFNN以及MQPSOWFNN两种模型,确定各变量的