基于量子粒子群優(yōu)化的網(wǎng)絡(luò)入侵檢測(cè)算法

《基于量子粒子群優(yōu)化的網(wǎng)絡(luò)入侵檢測(cè)算法》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。

1、基于量子粒子群優(yōu)化的網(wǎng)絡(luò)入侵檢測(cè)算法*基金項(xiàng)目：江蘇省高校自然科學(xué)基金資助項(xiàng)目（05KJD52006）；江蘇科技大學(xué)科研資助項(xiàng)目（2005DX006J）作者簡(jiǎn)介：徐磊(1986－)，男，碩士生，主要研究方向?yàn)橛?jì)算智能；李永忠（1961－），男，教授，碩士生導(dǎo)師，計(jì)算機(jī)應(yīng)用技術(shù)學(xué)術(shù)帶頭人，主要研究方向?yàn)榫W(wǎng)絡(luò)安全、計(jì)算機(jī)應(yīng)用、藏文信息處理；李正潔（1987－），女，碩士生，主要研究方向?yàn)榫W(wǎng)絡(luò)與信息安全。徐磊,李永忠,李正潔XULei，LIYong-zhong，LIZheng-jie江蘇科技大學(xué)計(jì)算機(jī)學(xué)院，鎮(zhèn)江212003DepartmentofCompute

2、r，JiangsuUniversityofScienceandTechnology，JiangsuZhenjiang212003，ChinaE-mail:lei_yxwz@163.comNetworkintrusiondetectionalgorithmbasedonQuantum-behavedParticleSwarmOptimizationAbstract:Inthispaper，ahybridalgorithmbasedonQuantum-behavedParticleSwarmOptimizationalgorithmandSemi-super

3、visedfuzzykernelclusteringalgorithmisproposed.Itovercomesthedrawbacksoffuzzyclusteringmethodswhicharesensitivetotheinitialclustercentersandeasilytrappedintolocalminima,.Firstly,thefewlabeleddatacangeneratecorrectmodelwithsupervisedclustering,andthenthemodelaidstoguidelotsofunlabe

4、leddatatoclustering，soenlargethenumblesoflabeleddata.Atlast，thosedatathatstillcan'tbelabeledwereclusteredbythefuzzykernelmethodbasedonQuantum-behavedParticleSwarmOptimization，anddeterminemarkertypes.Furthermore，KDDCUP99datasetisimplementedtoevaluatetheproposedalgorithm.Comparedto

5、otheralgorithms，theresultsshowtheoutstandingperformanceoftheproposedalgorithm.Keywords:intrusiondetection;QPSO;semi-supervisedclustering;kernelfunction摘要：本文提出了一種將量子粒子群優(yōu)化算法和半監(jiān)督模糊核聚類算法相結(jié)合的混合算法，用以解決入侵檢測(cè)算法中模糊聚類算法對(duì)初始值敏感，容易陷入局部最優(yōu)的問題。本文算法先對(duì)少量標(biāo)記數(shù)據(jù)進(jìn)行監(jiān)督聚類得到正確模型，運(yùn)用這個(gè)模型指導(dǎo)大量未標(biāo)記數(shù)據(jù)進(jìn)行聚類，擴(kuò)充標(biāo)記數(shù)據(jù)集合

6、，最后對(duì)仍沒有確定標(biāo)記的數(shù)據(jù)利用量子粒子群優(yōu)化的模糊核聚類算法進(jìn)行聚類，確定其標(biāo)記類型。通過KDDCUP99實(shí)驗(yàn)數(shù)據(jù)的仿真，實(shí)驗(yàn)結(jié)果表明，該算法在入侵檢測(cè)中能獲得理想的檢測(cè)率和誤檢率。關(guān)鍵詞：入侵檢測(cè)；量子粒子群優(yōu)化；半監(jiān)督聚類；核函數(shù)中圖分類號(hào)：TP393.08文獻(xiàn)標(biāo)志碼：A1引言入侵檢測(cè)(IntrusionDetection，ID)是對(duì)網(wǎng)絡(luò)的運(yùn)行狀態(tài)進(jìn)行監(jiān)視，發(fā)現(xiàn)各種攻擊企圖、攻擊行為或者攻擊結(jié)果，以保證系統(tǒng)資源的可用性、完整性和機(jī)密性。機(jī)器學(xué)習(xí)方法應(yīng)用于入侵檢測(cè)系統(tǒng)，能使系統(tǒng)具有更強(qiáng)的適應(yīng)性、自學(xué)習(xí)性和魯棒性，是目前入侵檢測(cè)研究的一個(gè)重要方向。機(jī)器

7、學(xué)習(xí)分為監(jiān)督學(xué)習(xí)[2]，非監(jiān)督學(xué)習(xí)[1]和半監(jiān)督學(xué)習(xí)[3]。半監(jiān)督學(xué)習(xí)又分為半監(jiān)督分類,半監(jiān)督聚類和半監(jiān)督回歸。半監(jiān)督聚類[1]是近幾年提出的一種新型聚類方法，它綜合了無監(jiān)督學(xué)習(xí)[2]和有監(jiān)督學(xué)習(xí)[3]的優(yōu)點(diǎn)，提高了聚類的質(zhì)量，是近幾年來機(jī)器學(xué)習(xí)和模式識(shí)別領(lǐng)域的重要的研究方向之一。由于基于監(jiān)督學(xué)習(xí)的異常檢測(cè)算法中需要獲取大量的標(biāo)記數(shù)據(jù)的類別信息，而標(biāo)記的數(shù)據(jù)則是相對(duì)有限，獲得它們需要付出大量的代價(jià)；同時(shí)基于無監(jiān)督學(xué)習(xí)的異常檢測(cè)算法中根據(jù)數(shù)據(jù)的相似性進(jìn)行分組，克服了監(jiān)督學(xué)習(xí)方法中標(biāo)記樣本不足的缺點(diǎn)，但其檢測(cè)精度明顯低于有監(jiān)督的檢測(cè)方法。然而半監(jiān)督聚類的優(yōu)越

8、性則是在現(xiàn)實(shí)應(yīng)用中，獲得少量的有標(biāo)記的樣本數(shù)據(jù)是可能的，可以利用少量有監(jiān)督的樣本