[发明专利]一种融合改进智能蜂群算法和BP神经网络的入侵检测方法

说明书

本发明公开了一种融合改进智能蜂群算法和BP神经网络的入侵检测方法，包括以下步骤：搜集网络数据包并进行预处理，作为入侵检测模型训练数据；设计多层神经网络模型，为隐藏层和输出层神经元设置激活函数；使用改进智能蜂群算法对神经网络模型进行预训练，输出最优蜜源位置向量；按照最优蜜源位置向量设置神经网络模型的初始权值和阈值；设计反向传播算法并用入侵检测数据对神经网络进行训练，得到神经网络入侵检测模型；设计网络入侵检测软件模块，将其部署在网络环境中实时检测网络数据流量，对检测出的异常网络流量产生报警。本发明采用改进智能蜂群算法优化BP神经网络算法，并且提高了神经网络模型的训练速度和入侵检测的精度。

技术领域

本发明涉及网络安全领域，尤其涉及一种融合改进智能蜂群算法和BP神经网络的入侵检测方法。

背景技术

随着互联网技术的发展，人们通过网络互连互通更加方便，通过网络提供的各种服务方便了人们的生活与工作。然而网络安全问题也日益突出，不法分子可能通过对网络进行侵害来谋取利益，因此对网络攻击的检测和防御称为网络安全的一个热点。攻击者通常会利用网络协议的缺陷来进行攻击，主要有拒绝服务攻击、用户提权攻击、远程到本地攻击、端口扫描攻击等。目前，对攻击进行检测的方法包括基于分类和聚类的方法，都是通过对网络流量进行分析来检测网络入侵。

机器学习方法已经被广泛的应用于识别不同类型的攻击，并且机器学习方法可以帮助网络管理员采取相应的措施来应对网络入侵。然而，大多数传统的机器学习方法属于浅层学习，需要人为的进行大量的特征分类和特征选择，它们不能解决在真实网络应用环境中面临的大量攻击和入侵数据的分类问题。另外，浅层学习不适合智能分析和海量数据高维学习的预测需求。而BP神经网络模型具有良好的适应性，自学习以及非线性逼近能力，能满足上面提到的这些需求，目前已被广泛应用于预测，建模，分类和自适应控制等领域。

群体智能被简单的定义为去中心化和自组织群体的集体行为。众所周知，这些种群可以是鸟群、鱼群，或者是一些社交昆虫，例如蚁群、蜂群等。在20世纪90年代，特别是基于蚁群和鱼群的两类方法极大地引起了研究人员的兴趣。群体智能需要群体满足自组织特征，但自从21世纪以来，研究人员开始对用蜜蜂的种群行为来描述新的智能方法感兴趣。近十几年来，已经开发出一些基于蜜蜂种群的各种智能行为的算法。种群算法起源于数值优化问题，是一类元启发式目标优化算法。

鉴于人工神经网络传统训练方法存在的缺陷，研究者们开始尝试将启发式算法应用到神经网络的设计和参数优化中，即采用智能启发式的方法训练神经网络，这两者的融合产生了一种全新的神经网络，称为进化神经网络。人工蜂群算法ABC(Artificial BeeColony Algorithm)是一种新兴的智能启发式算法，是2005年在Erciyes大学提出，算法来源于对蜜蜂采蜜行为的研究和模拟。ABC算法与其他智能启发式算法如粒子群算法PSO(Particle Swarm Optimization)、蚁群算法ACO(Ant Colony Optimization)、差分进化算法DE(Differential Evolution)相比，其具有简单方便、参数少、鲁棒性强等优点。

优化技术是一种以数学为基础，在一定时间条件限制下为目标优化算法寻找最优可行解的应用技术。20世纪80年代以前的优化算法主要利用数学解析，迭代求解等方法来解决实际问题，被称为传统优化算法。这些方法有完备的理论分析和数学证明，而且在连续、低维等优化问题上也取得了良好的效果，但是对于多峰、高维以及不连续的优化问题就显得有些无能为力了。从20世纪80年代开始，涌现除了一些新颖的有别于传统优化算法的启发式算法，例如遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型；模拟退火算法SA(Simulated Annealing)的思路来源于物理学中固体物质的退火过程。这些算法都模仿了自然界中发生的某些过程。

发明内容