[发明专利]一种基于改进智能优化算法的入侵检测方法和系统

说明书

本发明公开了一种基于改进智能优化算法的入侵检测方法，包括：获取数据集，使用z‑score方法对数据集进行标准化处理，以得到标准化处理后的数据集；通过改进智能优化算法优化核极限学习机模型的惩罚系数C和核系数γ，并得到优化后的核极限学习机模型；对优化后的核极限学习机模型进行训练，以得到训练好的核极限学习机模型，并使用训练好的核极限学习机对数据集进行分类，以得到分类结果。本发明能够解决现有基于单种智能优化算法的入侵检测方法存在的收敛速度慢、容易陷入局部最优陷阱、以及全局搜索能力不强的技术问题；以及现有基于多种智能优化算法的入侵检测方法存在的算法迭代效率低、计算精度差的技术问题。

技术领域

本发明属于信息安全技术领域，更具体地，涉及一种基于改进智能优化算法的入侵检测方法和系统。

背景技术

随着网络信息化程度的逐渐提高，网络恶意攻击越来越频繁，网络安全问题已经引起了世界各国研究者的广泛关注。入侵检测方法作为防火墙后的第二道安全防护策略，是一种灵活有效的主动防御方法，它能实时的监测系统中的异常情况，当发现系统中存在恶意攻击或者对计算机设备的非法操作时，能及时发出报警信息，是对防火墙的有效补充。

近年来，核极限学习机因为具有结构简单、迭代次数少和运行速度较快等优点，被广泛应用于入侵检测方法中。但是，如果没有恰当的选择核极限学习机中的参数，会使得核极限学习机的分类效果大大降低。智能优化算法是通过模拟自然现象或者生物行为来对最优化问题进行求解，是一种较好的优化方法。

目前主流的智能优化算法主要包括：一、基于单种智能优化算法的入侵检测方法，其优化方法通常采用单种智能优化方法来优化核极限学习机中的参数，比如差分进化方法、人工蜂群算法和禁忌搜索算法等；二、基于多种智能优化算法的入侵检测方法，其优化方法通常将多种智能优化算法结合起来共同进行寻优工作。

然而，上述现有的智能优化算法均具有一些不可忽略的缺陷：首先，基于单种智能优化算法的入侵检测方法而言，其优化方法往往存在收敛速度慢、容易陷入局部最优陷阱和全局搜索能力不强的问题；第二，对于基于多种智能优化算法的入侵检测方法而言，其优化方法通常只结合标准智能优化算法，不能很有效的解决算法迭代效率低、计算精度差等问题；第三，对于基于多种智能优化算法的入侵检测方法而言，其优化方法中的初始种群往往采用随机的方法进行生成，通常存在种群分布质量较差、收敛速率差等问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于改进智能优化算法的入侵检测方法和系统，其目的在于，解决现有基于单种智能优化算法的入侵检测方法存在的收敛速度慢、容易陷入局部最优陷阱、以及全局搜索能力不强的技术问题；以及现有基于多种智能优化算法的入侵检测方法存在的算法迭代效率低、计算精度差的技术问题，以及种群分布质量较差、收敛速率差的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于改进智能优化算法的入侵检测方法，包括以下步骤：

(1)获取数据集，使用z-score方法对数据集进行标准化处理，以得到标准化处理后的数据集；

(2)通过改进智能优化算法优化核极限学习机模型的惩罚系数C和核系数γ，并得到优化后的核极限学习机模型；

(3)对步骤(2)优化后的核极限学习机模型进行训练，以得到训练好的核极限学习机模型，并使用训练好的核极限学习机对数据集进行分类，以得到分类结果。

优选地，步骤(1)包括以下子步骤：

(1-1)获取数据集Ds；

其中，k为数据集Ds中的样本总数，n为数据集中样本的特征维数，为Ds中第i行第j个样本点，其表示数据集Ds中第i个样本中的第j个特征属性值，且有i∈[1，k]，j∈[1，n]；