丁少華

摘 要：為了提高入侵檢測率，降低誤檢率，提出一種人工魚算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)入侵檢測模型。首先收集網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)并進(jìn)行預(yù)處理，然后輸入到神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，并采用人工魚群算法對網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，最后采用KDD CUP 99數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)。結(jié)果表明，本模型可以獲得理想的網(wǎng)絡(luò)入侵檢測率和誤檢率。

關(guān)鍵詞：入侵檢測 神經(jīng)網(wǎng)絡(luò) 人工魚群算法 模型參數(shù)

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-2117（2014）20-00-01

1 前言

21世紀(jì)是網(wǎng)絡(luò)的時代，網(wǎng)絡(luò)已進(jìn)入人們的日常生活，成為人們通信和交流的工具，人們對于網(wǎng)絡(luò)的依賴也越來越強(qiáng)。

針對網(wǎng)絡(luò)入侵檢測問題，國內(nèi)外許多學(xué)者進(jìn)行了深入研究，提出了許多有效的網(wǎng)絡(luò)入侵檢測模型。在網(wǎng)絡(luò)入侵檢測過程，網(wǎng)絡(luò)入侵分類器設(shè)計(jì)是網(wǎng)絡(luò)入侵檢測的關(guān)鍵，當(dāng)前網(wǎng)絡(luò)入侵分類器主要有基于支持向量機(jī)、K最近鄰算法、神經(jīng)網(wǎng)絡(luò)等進(jìn)行設(shè)計(jì)。其中出回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)（Echo State Network，ESN）是一種新型的網(wǎng)絡(luò)，具有簡單、易實(shí)現(xiàn)、泛化能力優(yōu)異等優(yōu)點(diǎn)，成為網(wǎng)絡(luò)入侵檢測中的主要研究方向。人工魚群算法（Artificial Fish Swarm Algorithm，AFSA）是一種采用自下而上信息尋優(yōu)模式的智能搜索算法，具有并行性、收斂速度快等優(yōu)點(diǎn)，為回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化提供了一種新的工具。

2 人工魚算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的入侵檢測模型

2.1 回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)

ESN是一種由輸入層、內(nèi)部儲備池和輸出層組成的非線性遞歸神經(jīng)網(wǎng)絡(luò)，其狀態(tài)方程為：

式中，sigmoid為激活函數(shù)；Win和Wx分別為輸入和儲備池內(nèi)部的連接矩陣；μ（t），x（t）分別表示t時刻的輸入向量和儲備池內(nèi)部狀態(tài)向量量，sin為輸入項(xiàng)比例系數(shù)；ρ為內(nèi)部儲備池的譜半徑。

那么ESN的輸出方程為

（2）

式中，y（t）為t時刻的輸出向量Wout為輸出連接向量。

輸出權(quán)值對ESN性能起著關(guān)鍵作用，常采用最小二乘法進(jìn)行求解，目標(biāo)函數(shù)的最小化形式為

式中 ，

，N為儲備池節(jié)點(diǎn)數(shù)；l為訓(xùn)練樣本數(shù)。

根據(jù)式（3）式得到解

（4）

式中，為的估計(jì)值。

從式（1）可知，參數(shù)sin和ρ的選取影響回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)的性能，本文采用人工魚群算法（AFSA）對參數(shù)sin和ρ的選擇，以提高網(wǎng)絡(luò)入侵的檢測正確率。

2.2 人工魚群算法

工魚群算模擬魚群覓食的行為，人工魚個體的狀態(tài)可表示為向量Xi=（xi1，xi2，…，xiD），食物濃度表示為Y=f（x），其中Y為目標(biāo)函數(shù)值；Visual表示人工魚的感知范圍：Step表示人工魚移動的步長；δ表示擁擠度因子。人工魚的行為包括以下幾種：①覓食行為；②聚群行為；③追尾行為；④隨機(jī)行為。

2.3 人工魚群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)

（1）初始化人工魚群算法參數(shù)，主要包括人工魚群數(shù)以及最大迭代次數(shù)；（2）初始位置為回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)的參數(shù)；（3）計(jì)算適應(yīng)度函數(shù)，并選擇適應(yīng)度函數(shù)值最大的人工魚個體進(jìn)入公告板；（4）人工魚模擬魚群覓食行為，得到新的人工魚位置；（5）與公告板人工魚的位置進(jìn)行比較，如果優(yōu)于公告板，那么將該人工魚位置記入公告牌；（6）將最優(yōu)公告牌的位置進(jìn)行解碼，得到回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)最優(yōu)參數(shù)；（7）利用最優(yōu)參數(shù)建立網(wǎng)絡(luò)入侵檢測模型，并對其性能進(jìn)行測試。

3 仿真實(shí)驗(yàn)

3.1 仿真環(huán)境

數(shù)據(jù)來自網(wǎng)絡(luò)入侵標(biāo)準(zhǔn)測試集KDDCUP99數(shù)據(jù)集，其包括4種入侵類型：DoS、Probe、U2R和R2L，同時包括正常樣本，每一個樣本共有41個特征，7個符號型字段和34個數(shù)值型字段。由于KDDCup99數(shù)據(jù)集樣本多，從中隨機(jī)選擇部分?jǐn)?shù)量的數(shù)據(jù)進(jìn)行測試，數(shù)據(jù)具體分布見下表。為了使本文模型的結(jié)果具有可比性，采用PSO算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)（PSO-ESN），遺傳算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)（GA-ESN）進(jìn)行對比實(shí)驗(yàn)。

樣本集分布情況

入侵類型 訓(xùn)練樣本 測試樣本

DoS 2000 400

Probe 1000 200

R2L 500 100

U2R 100 20

3.2 結(jié)果與分析

所有模型對網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)進(jìn)行建模，仿真結(jié)果如圖1和圖2所示。從圖1和圖2進(jìn)行仔細(xì)分析，可以知道，相對于PSO-ESN、GA-ESN，人工魚群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的入侵檢測性能最優(yōu)，網(wǎng)絡(luò)入侵檢測的誤報(bào)率更低，具有十分明顯的優(yōu)勢，在網(wǎng)絡(luò)安全領(lǐng)域具有廣泛的應(yīng)用前景。

圖1幾種模型的檢測率比較

圖2幾種模型的誤報(bào)率比較

4 結(jié)語

針對回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化難題，提出一種人工魚群算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)的入侵檢測模型。仿真結(jié)果表明，相對于對比模型，本文模型提高了網(wǎng)絡(luò)入侵的檢測率，同時誤報(bào)率明顯降低，具有一定的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]唐正軍，李建華.入侵檢測技術(shù)[M].北京：清華大學(xué)出版社，2004.

[2]DenningDE.AnIntrusionDetectionModel[J].IEEETransactiononSoftwareEngineering，2010，13（2）：222—232.

[3]陳仕濤，陳國龍，郭文忠，等.基于粒子群優(yōu)化和鄰域約簡的入侵檢測日志數(shù)據(jù)特征選擇[J].計(jì)算機(jī)研究與發(fā)展，2010，47（7）：1261—1267.endprint

摘 要：為了提高入侵檢測率，降低誤檢率，提出一種人工魚算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)入侵檢測模型。首先收集網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)并進(jìn)行預(yù)處理，然后輸入到神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，并采用人工魚群算法對網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，最后采用KDD CUP 99數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)。結(jié)果表明，本模型可以獲得理想的網(wǎng)絡(luò)入侵檢測率和誤檢率。

關(guān)鍵詞：入侵檢測 神經(jīng)網(wǎng)絡(luò) 人工魚群算法 模型參數(shù)

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-2117（2014）20-00-01

1 前言

21世紀(jì)是網(wǎng)絡(luò)的時代，網(wǎng)絡(luò)已進(jìn)入人們的日常生活，成為人們通信和交流的工具，人們對于網(wǎng)絡(luò)的依賴也越來越強(qiáng)。

針對網(wǎng)絡(luò)入侵檢測問題，國內(nèi)外許多學(xué)者進(jìn)行了深入研究，提出了許多有效的網(wǎng)絡(luò)入侵檢測模型。在網(wǎng)絡(luò)入侵檢測過程，網(wǎng)絡(luò)入侵分類器設(shè)計(jì)是網(wǎng)絡(luò)入侵檢測的關(guān)鍵，當(dāng)前網(wǎng)絡(luò)入侵分類器主要有基于支持向量機(jī)、K最近鄰算法、神經(jīng)網(wǎng)絡(luò)等進(jìn)行設(shè)計(jì)。其中出回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)（Echo State Network，ESN）是一種新型的網(wǎng)絡(luò)，具有簡單、易實(shí)現(xiàn)、泛化能力優(yōu)異等優(yōu)點(diǎn)，成為網(wǎng)絡(luò)入侵檢測中的主要研究方向。人工魚群算法（Artificial Fish Swarm Algorithm，AFSA）是一種采用自下而上信息尋優(yōu)模式的智能搜索算法，具有并行性、收斂速度快等優(yōu)點(diǎn)，為回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化提供了一種新的工具。

2 人工魚算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的入侵檢測模型

2.1 回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)

ESN是一種由輸入層、內(nèi)部儲備池和輸出層組成的非線性遞歸神經(jīng)網(wǎng)絡(luò)，其狀態(tài)方程為：

式中，sigmoid為激活函數(shù)；Win和Wx分別為輸入和儲備池內(nèi)部的連接矩陣；μ（t），x（t）分別表示t時刻的輸入向量和儲備池內(nèi)部狀態(tài)向量量，sin為輸入項(xiàng)比例系數(shù)；ρ為內(nèi)部儲備池的譜半徑。

那么ESN的輸出方程為

（2）

式中，y（t）為t時刻的輸出向量Wout為輸出連接向量。

輸出權(quán)值對ESN性能起著關(guān)鍵作用，常采用最小二乘法進(jìn)行求解，目標(biāo)函數(shù)的最小化形式為

式中 ，

，N為儲備池節(jié)點(diǎn)數(shù)；l為訓(xùn)練樣本數(shù)。

根據(jù)式（3）式得到解

（4）

式中，為的估計(jì)值。

從式（1）可知，參數(shù)sin和ρ的選取影響回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)的性能，本文采用人工魚群算法（AFSA）對參數(shù)sin和ρ的選擇，以提高網(wǎng)絡(luò)入侵的檢測正確率。

2.2 人工魚群算法

工魚群算模擬魚群覓食的行為，人工魚個體的狀態(tài)可表示為向量Xi=（xi1，xi2，…，xiD），食物濃度表示為Y=f（x），其中Y為目標(biāo)函數(shù)值；Visual表示人工魚的感知范圍：Step表示人工魚移動的步長；δ表示擁擠度因子。人工魚的行為包括以下幾種：①覓食行為；②聚群行為；③追尾行為；④隨機(jī)行為。

2.3 人工魚群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)

（1）初始化人工魚群算法參數(shù)，主要包括人工魚群數(shù)以及最大迭代次數(shù)；（2）初始位置為回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)的參數(shù)；（3）計(jì)算適應(yīng)度函數(shù)，并選擇適應(yīng)度函數(shù)值最大的人工魚個體進(jìn)入公告板；（4）人工魚模擬魚群覓食行為，得到新的人工魚位置；（5）與公告板人工魚的位置進(jìn)行比較，如果優(yōu)于公告板，那么將該人工魚位置記入公告牌；（6）將最優(yōu)公告牌的位置進(jìn)行解碼，得到回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)最優(yōu)參數(shù)；（7）利用最優(yōu)參數(shù)建立網(wǎng)絡(luò)入侵檢測模型，并對其性能進(jìn)行測試。

3 仿真實(shí)驗(yàn)

3.1 仿真環(huán)境

數(shù)據(jù)來自網(wǎng)絡(luò)入侵標(biāo)準(zhǔn)測試集KDDCUP99數(shù)據(jù)集，其包括4種入侵類型：DoS、Probe、U2R和R2L，同時包括正常樣本，每一個樣本共有41個特征，7個符號型字段和34個數(shù)值型字段。由于KDDCup99數(shù)據(jù)集樣本多，從中隨機(jī)選擇部分?jǐn)?shù)量的數(shù)據(jù)進(jìn)行測試，數(shù)據(jù)具體分布見下表。為了使本文模型的結(jié)果具有可比性，采用PSO算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)（PSO-ESN），遺傳算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)（GA-ESN）進(jìn)行對比實(shí)驗(yàn)。

樣本集分布情況

入侵類型 訓(xùn)練樣本 測試樣本

DoS 2000 400

Probe 1000 200

R2L 500 100

U2R 100 20

3.2 結(jié)果與分析

所有模型對網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)進(jìn)行建模，仿真結(jié)果如圖1和圖2所示。從圖1和圖2進(jìn)行仔細(xì)分析，可以知道，相對于PSO-ESN、GA-ESN，人工魚群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的入侵檢測性能最優(yōu)，網(wǎng)絡(luò)入侵檢測的誤報(bào)率更低，具有十分明顯的優(yōu)勢，在網(wǎng)絡(luò)安全領(lǐng)域具有廣泛的應(yīng)用前景。

圖1幾種模型的檢測率比較

圖2幾種模型的誤報(bào)率比較

4 結(jié)語

針對回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化難題，提出一種人工魚群算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)的入侵檢測模型。仿真結(jié)果表明，相對于對比模型，本文模型提高了網(wǎng)絡(luò)入侵的檢測率，同時誤報(bào)率明顯降低，具有一定的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]唐正軍，李建華.入侵檢測技術(shù)[M].北京：清華大學(xué)出版社，2004.

[2]DenningDE.AnIntrusionDetectionModel[J].IEEETransactiononSoftwareEngineering，2010，13（2）：222—232.

[3]陳仕濤，陳國龍，郭文忠，等.基于粒子群優(yōu)化和鄰域約簡的入侵檢測日志數(shù)據(jù)特征選擇[J].計(jì)算機(jī)研究與發(fā)展，2010，47（7）：1261—1267.endprint

摘 要：為了提高入侵檢測率，降低誤檢率，提出一種人工魚算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)入侵檢測模型。首先收集網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)并進(jìn)行預(yù)處理，然后輸入到神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，并采用人工魚群算法對網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，最后采用KDD CUP 99數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)。結(jié)果表明，本模型可以獲得理想的網(wǎng)絡(luò)入侵檢測率和誤檢率。

關(guān)鍵詞：入侵檢測 神經(jīng)網(wǎng)絡(luò) 人工魚群算法 模型參數(shù)

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-2117（2014）20-00-01

1 前言

21世紀(jì)是網(wǎng)絡(luò)的時代，網(wǎng)絡(luò)已進(jìn)入人們的日常生活，成為人們通信和交流的工具，人們對于網(wǎng)絡(luò)的依賴也越來越強(qiáng)。

針對網(wǎng)絡(luò)入侵檢測問題，國內(nèi)外許多學(xué)者進(jìn)行了深入研究，提出了許多有效的網(wǎng)絡(luò)入侵檢測模型。在網(wǎng)絡(luò)入侵檢測過程，網(wǎng)絡(luò)入侵分類器設(shè)計(jì)是網(wǎng)絡(luò)入侵檢測的關(guān)鍵，當(dāng)前網(wǎng)絡(luò)入侵分類器主要有基于支持向量機(jī)、K最近鄰算法、神經(jīng)網(wǎng)絡(luò)等進(jìn)行設(shè)計(jì)。其中出回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)（Echo State Network，ESN）是一種新型的網(wǎng)絡(luò)，具有簡單、易實(shí)現(xiàn)、泛化能力優(yōu)異等優(yōu)點(diǎn)，成為網(wǎng)絡(luò)入侵檢測中的主要研究方向。人工魚群算法（Artificial Fish Swarm Algorithm，AFSA）是一種采用自下而上信息尋優(yōu)模式的智能搜索算法，具有并行性、收斂速度快等優(yōu)點(diǎn)，為回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化提供了一種新的工具。

2 人工魚算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的入侵檢測模型

2.1 回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)

ESN是一種由輸入層、內(nèi)部儲備池和輸出層組成的非線性遞歸神經(jīng)網(wǎng)絡(luò)，其狀態(tài)方程為：

式中，sigmoid為激活函數(shù)；Win和Wx分別為輸入和儲備池內(nèi)部的連接矩陣；μ（t），x（t）分別表示t時刻的輸入向量和儲備池內(nèi)部狀態(tài)向量量，sin為輸入項(xiàng)比例系數(shù)；ρ為內(nèi)部儲備池的譜半徑。

那么ESN的輸出方程為

（2）

式中，y（t）為t時刻的輸出向量Wout為輸出連接向量。

輸出權(quán)值對ESN性能起著關(guān)鍵作用，常采用最小二乘法進(jìn)行求解，目標(biāo)函數(shù)的最小化形式為

式中 ，

，N為儲備池節(jié)點(diǎn)數(shù)；l為訓(xùn)練樣本數(shù)。

根據(jù)式（3）式得到解

（4）

式中，為的估計(jì)值。

從式（1）可知，參數(shù)sin和ρ的選取影響回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)的性能，本文采用人工魚群算法（AFSA）對參數(shù)sin和ρ的選擇，以提高網(wǎng)絡(luò)入侵的檢測正確率。

2.2 人工魚群算法

工魚群算模擬魚群覓食的行為，人工魚個體的狀態(tài)可表示為向量Xi=（xi1，xi2，…，xiD），食物濃度表示為Y=f（x），其中Y為目標(biāo)函數(shù)值；Visual表示人工魚的感知范圍：Step表示人工魚移動的步長；δ表示擁擠度因子。人工魚的行為包括以下幾種：①覓食行為；②聚群行為；③追尾行為；④隨機(jī)行為。

2.3 人工魚群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)

（1）初始化人工魚群算法參數(shù)，主要包括人工魚群數(shù)以及最大迭代次數(shù)；（2）初始位置為回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)的參數(shù)；（3）計(jì)算適應(yīng)度函數(shù)，并選擇適應(yīng)度函數(shù)值最大的人工魚個體進(jìn)入公告板；（4）人工魚模擬魚群覓食行為，得到新的人工魚位置；（5）與公告板人工魚的位置進(jìn)行比較，如果優(yōu)于公告板，那么將該人工魚位置記入公告牌；（6）將最優(yōu)公告牌的位置進(jìn)行解碼，得到回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)最優(yōu)參數(shù)；（7）利用最優(yōu)參數(shù)建立網(wǎng)絡(luò)入侵檢測模型，并對其性能進(jìn)行測試。

3 仿真實(shí)驗(yàn)

3.1 仿真環(huán)境

數(shù)據(jù)來自網(wǎng)絡(luò)入侵標(biāo)準(zhǔn)測試集KDDCUP99數(shù)據(jù)集，其包括4種入侵類型：DoS、Probe、U2R和R2L，同時包括正常樣本，每一個樣本共有41個特征，7個符號型字段和34個數(shù)值型字段。由于KDDCup99數(shù)據(jù)集樣本多，從中隨機(jī)選擇部分?jǐn)?shù)量的數(shù)據(jù)進(jìn)行測試，數(shù)據(jù)具體分布見下表。為了使本文模型的結(jié)果具有可比性，采用PSO算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)（PSO-ESN），遺傳算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)（GA-ESN）進(jìn)行對比實(shí)驗(yàn)。

樣本集分布情況

入侵類型 訓(xùn)練樣本 測試樣本

DoS 2000 400

Probe 1000 200

R2L 500 100

U2R 100 20

3.2 結(jié)果與分析

所有模型對網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)進(jìn)行建模，仿真結(jié)果如圖1和圖2所示。從圖1和圖2進(jìn)行仔細(xì)分析，可以知道，相對于PSO-ESN、GA-ESN，人工魚群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的入侵檢測性能最優(yōu)，網(wǎng)絡(luò)入侵檢測的誤報(bào)率更低，具有十分明顯的優(yōu)勢，在網(wǎng)絡(luò)安全領(lǐng)域具有廣泛的應(yīng)用前景。

圖1幾種模型的檢測率比較

圖2幾種模型的誤報(bào)率比較

4 結(jié)語

針對回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化難題，提出一種人工魚群算法優(yōu)化回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)的入侵檢測模型。仿真結(jié)果表明，相對于對比模型，本文模型提高了網(wǎng)絡(luò)入侵的檢測率，同時誤報(bào)率明顯降低，具有一定的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]唐正軍，李建華.入侵檢測技術(shù)[M].北京：清華大學(xué)出版社，2004.

[2]DenningDE.AnIntrusionDetectionModel[J].IEEETransactiononSoftwareEngineering，2010，13（2）：222—232.

[3]陳仕濤，陳國龍，郭文忠，等.基于粒子群優(yōu)化和鄰域約簡的入侵檢測日志數(shù)據(jù)特征選擇[J].計(jì)算機(jī)研究與發(fā)展，2010，47（7）：1261—1267.endprint