摘 要： 利用并行化思想，在現(xiàn)有入侵檢測(cè)算法GA遺傳算法和BP神經(jīng)算法的基礎(chǔ)上，提出基于云計(jì)算平臺(tái)的網(wǎng)絡(luò)入侵檢測(cè)算法MR GA?BP均值法算法，并對(duì)算法原理進(jìn)行描述、建立、設(shè)計(jì)，系統(tǒng)能夠針對(duì)海量入侵的檢測(cè)數(shù)據(jù)進(jìn)行實(shí)時(shí)學(xué)習(xí)和檢測(cè)，對(duì)比傳統(tǒng)入侵檢測(cè)系統(tǒng)，在效率和精度上有了較大提高，通過(guò)兩組對(duì)比實(shí)驗(yàn)，證明了該優(yōu)化算法MR GA?BP均值法算法在入侵檢測(cè)系統(tǒng)中的可行性以及性能優(yōu)勢(shì)。

關(guān)鍵詞： 云計(jì)算； 入侵檢測(cè)系統(tǒng)； MR GA?BP均值法； Hadoop

中圖分類號(hào)： TN915.08?34； TM417 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）19?0076?04

Abstract： On the basis of paralell thought， genetic algorithm （GA） and BP algorithm for intrusion detection， a mean value algorithm of network intrusion detection algorithm （MR GA?BP） based on cloud computing platform is proposed. The principle of the algorithm is described， established and designed. The system can learn and detect the massive intrusion detection data in real time. In comparison with the traditional intrusion detection system， the efficiency and accuracy of the system have been improved a lot. The feasibility and performance advantage of MR GA?BP mean value algorithm in intrusion detection system were verified in the experiment of contrast between the two groups.

Keywords： cloud computing； intrusion detection system； MR GA?BP mean value algorithm； Hadoop

0 引 言

傳統(tǒng)的入侵檢測(cè)系統(tǒng)已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足當(dāng)今海量數(shù)據(jù)的要求，在檢測(cè)精度、效率、準(zhǔn)確率等方面都存在局限和瓶頸。未來(lái)入侵檢測(cè)的發(fā)展應(yīng)該在較短的時(shí)間內(nèi)，有更高效的檢測(cè)效率和在效率提升的基礎(chǔ)上增加服務(wù)的質(zhì)量[1]。

利用云環(huán)境下的節(jié)點(diǎn)進(jìn)行入侵檢測(cè)事件的采集，然后將采集的數(shù)據(jù)源上傳到云端進(jìn)行入侵檢測(cè)分析，這樣可以大大地提高處理事件的效率并及時(shí)作出預(yù)警[2]。如果能將傳統(tǒng)的入侵檢測(cè)算法例如BP神經(jīng)算法，采納并行化思想，將它布置到云環(huán)境中，進(jìn)行分布式處理數(shù)據(jù)源，并且進(jìn)行分布式入侵檢測(cè)，那么上述的難題就可以解決，不僅擴(kuò)大了云計(jì)算在當(dāng)代的應(yīng)用領(lǐng)域，也能讓傳統(tǒng)的入侵檢測(cè)算法性能提升到另一個(gè)高度，也能夠讓入侵檢測(cè)的發(fā)展上升一個(gè)臺(tái)階[3]。

1 網(wǎng)絡(luò)入侵檢測(cè)算法建立

1.1 MR GA?BP算法的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是由網(wǎng)絡(luò)層數(shù)、節(jié)點(diǎn)個(gè)數(shù)、激活函數(shù)、初始權(quán)值系數(shù)、學(xué)習(xí)算法、系統(tǒng)誤差確定的，確定這些需要遵循如下原則：

（1） 隱含層數(shù)的選擇。根據(jù)先前的經(jīng)驗(yàn)，優(yōu)先考慮3層BP神經(jīng)網(wǎng)絡(luò)，分別為一個(gè)輸出層，一個(gè)輸入層，一個(gè)隱含層[4]。

（2）每層節(jié)點(diǎn)數(shù)的確定。隱含層和很多因素有關(guān)，例如樣本數(shù)據(jù)的特點(diǎn)和轉(zhuǎn)換函數(shù)的形式、輸入與輸出節(jié)點(diǎn)數(shù)都有關(guān)系。

（3） 初始權(quán)值系數(shù)的確定。初始權(quán)值是在一定范疇的數(shù)隨機(jī)生成的，一般情況下，初始權(quán)值分布在0～1之間。本文利用random隨機(jī)生成。

（4） 算法的確定。

（5） 結(jié)束條件。種群個(gè)體數(shù)量的確定：當(dāng)種群個(gè)體數(shù)量較少時(shí)，盡管可能使GA算法的運(yùn)算速度有所提升，然而種群個(gè)體的多樣性會(huì)降低很多；當(dāng)種群數(shù)量較多時(shí)，算法的運(yùn)行效率又會(huì)降低，按照前人研究，一般取20～500個(gè)；編碼方式：實(shí)數(shù)編碼；適應(yīng)度函數(shù)：使用BP神經(jīng)算法求出每一個(gè)樣本，運(yùn)行后的一切樣本的誤差平方和的倒數(shù)設(shè)定為適應(yīng)度函數(shù)；選擇算子：賭盤法；交叉算子：實(shí)數(shù)編碼；變異算子：本文取值為0.05。

系統(tǒng)是應(yīng)用遺傳算法進(jìn)行BP神經(jīng)網(wǎng)絡(luò)權(quán)值的優(yōu)化，所以只控制其進(jìn)化的次數(shù)，當(dāng)進(jìn)化次數(shù)達(dá)到最大時(shí)終止[5]。

1.2 并行化思想

在處理海量數(shù)據(jù)時(shí)，如果使用傳統(tǒng)的思想進(jìn)行數(shù)據(jù)串行的處理，在處理時(shí)間和效率上都會(huì)耗費(fèi)很多時(shí)間，所以要先將數(shù)據(jù)模塊化，然后將這些數(shù)據(jù)模塊分給各個(gè)機(jī)器進(jìn)行并行處理，他們之間處理的過(guò)程沒(méi)有關(guān)聯(lián)，所以在處理效率上會(huì)有很大提高。每個(gè)計(jì)算節(jié)點(diǎn)都有一個(gè)完整的網(wǎng)絡(luò)，且網(wǎng)絡(luò)的初始狀態(tài)是一樣的。并行化體現(xiàn)在進(jìn)行訓(xùn)練時(shí)，每個(gè)節(jié)點(diǎn)都是取一部分樣本數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，計(jì)算節(jié)點(diǎn)達(dá)到某個(gè)收斂要求后再進(jìn)行匯總，匯總之后決定是否進(jìn)行下一場(chǎng)迭代[6]。

1.3 MR GA?BP算法描述

BP神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)方面和映射方面都有很強(qiáng)的適應(yīng)能力，在實(shí)際應(yīng)用過(guò)程中，與遺傳算法相結(jié)合的使用可以避開(kāi)BP的這個(gè)缺點(diǎn)?；谀壳胺椒ㄖ械娜秉c(diǎn)，本文提出MapReduce GA?BP均值法，利用其分布式運(yùn)行機(jī)制，不是輸出每一個(gè)權(quán)值的變更量，而是基于樣本來(lái)說(shuō)，輸出每一個(gè)樣本對(duì)應(yīng)的一切權(quán)值相應(yīng)的變化量，組成一個(gè)矩陣，然后將所有樣本的每一個(gè)權(quán)值變化量對(duì)應(yīng)相加起來(lái)，求平均數(shù)，得到每一個(gè)權(quán)值的平均變化量，一次學(xué)習(xí)之后，改變一次權(quán)值，將新的權(quán)值發(fā)送給每一個(gè)節(jié)點(diǎn)，作為進(jìn)行下一次學(xué)習(xí)的初始權(quán)值。直到到達(dá)最大的學(xué)習(xí)步數(shù)，或者每個(gè)樣本的學(xué)習(xí)誤差達(dá)到一個(gè)合適的范圍停止。

MR GA?BP均值法算法的主體思路如下：

首先GA算法的Map階段，隨機(jī)產(chǎn)生[N]個(gè)個(gè)體，上傳到HDFS文件系統(tǒng)，讀入每個(gè)個(gè)體的值，每一個(gè)個(gè)體代表每一個(gè)BP網(wǎng)絡(luò)的權(quán)值，調(diào)用BP神經(jīng)網(wǎng)絡(luò)算法，每個(gè)個(gè)體的輸入權(quán)值和每個(gè)樣本的值，進(jìn)行BP神經(jīng)算法，求出每個(gè)個(gè)體對(duì)應(yīng)所有樣本的誤差和，這個(gè)誤差和稱為全局誤差值，全局誤差值作為GA遺傳算法Map階段的輸出值，Redcue階段的輸入值為Map的輸出值，計(jì)算出每個(gè)個(gè)體的適應(yīng)度，接著進(jìn)行遺傳算法的選擇、交叉、變異等。經(jīng)過(guò)數(shù)次迭代后，篩選出最優(yōu)個(gè)體，輸出到HDFS文件，作為BP神經(jīng)算法的初始權(quán)值。

從HDFS獲取優(yōu)化之后的權(quán)值，進(jìn)行第一次學(xué)習(xí)，開(kāi)始進(jìn)入BP神經(jīng)算法的Map階段，從HDFS讀取入侵檢測(cè)數(shù)據(jù)源，將數(shù)據(jù)源分成若干數(shù)據(jù)塊，分給每一個(gè)機(jī)器，各個(gè)機(jī)器開(kāi)始執(zhí)行BP神經(jīng)算法進(jìn)行正向訓(xùn)練，得到每個(gè)入侵檢測(cè)數(shù)據(jù)源期望輸出與實(shí)際輸出的誤差平方和，算出每個(gè)機(jī)器樣本總的誤差和，得出每個(gè)樣本對(duì)應(yīng)的一切權(quán)值變更量，在Reduce階段，計(jì)算出每個(gè)權(quán)值的平均變化量，根據(jù)更新的公式，更新一次權(quán)值，然后將新的權(quán)值發(fā)布給所有節(jié)點(diǎn)，進(jìn)行第二次學(xué)習(xí)，第二次的權(quán)值調(diào)整，直到誤差達(dá)到一個(gè)可以接受的范圍，或者學(xué)習(xí)次數(shù)達(dá)到最大。

用GA遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行全局優(yōu)化，在解空間中找出一個(gè)較好、較小的搜尋空間；接著，再應(yīng)用BP神經(jīng)算法對(duì)這個(gè)GA算法優(yōu)化的權(quán)值進(jìn)行幾次迭代訓(xùn)練，在這個(gè)較小的解空間中搜尋出最優(yōu)解，最優(yōu)權(quán)值[7]。

2 入侵檢測(cè)

將上述算法有機(jī)結(jié)合，進(jìn)行統(tǒng)一的入侵檢測(cè)，給定數(shù)據(jù)源，在對(duì)GA和BP進(jìn)行MapReduce并行化時(shí)，共需要以下幾個(gè)步驟，其中需要兩個(gè)MapReduce過(guò)程。本節(jié)提出了基于云平臺(tái)下的海量數(shù)據(jù)的入侵檢測(cè)系統(tǒng)，入侵檢測(cè)的具體過(guò)程分為六部分[8]：

（1） 在HDFS上存儲(chǔ)分布式的入侵檢測(cè)數(shù)據(jù)源。

（2） 將隨機(jī)產(chǎn)生的權(quán)值以分布式的形式存儲(chǔ)到HDFS上。

（3） 運(yùn)用MapReduceGA開(kāi)始BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值的優(yōu)化，優(yōu)化出較小的解空間，提高收斂率。

（4） 使用MapReduceGA要優(yōu)化的數(shù)據(jù)源權(quán)值，用BP神經(jīng)網(wǎng)絡(luò)計(jì)算出每一個(gè)權(quán)值對(duì)應(yīng)的所有樣本的誤差和，作為GA遺傳算法的適應(yīng)度函數(shù)的基礎(chǔ)。

（5） 將MapReduceGA遺傳算法優(yōu)化完的權(quán)值作為訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，開(kāi)始MapReduceBP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練一定的次數(shù)，使樣本的誤差和達(dá)到所能接受的范圍之內(nèi)，或者預(yù)設(shè)定的迭代次數(shù)。

（6） 訓(xùn)練完成后，使用檢測(cè)樣本統(tǒng)計(jì)比較檢測(cè)結(jié)果。

3 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

3.1 系統(tǒng)的整體結(jié)構(gòu)

入侵檢測(cè)系統(tǒng)的整體結(jié)構(gòu)如圖1所示。解決方案主要是針對(duì)當(dāng)下海量數(shù)據(jù)，傳統(tǒng)的入侵檢測(cè)系統(tǒng)因?yàn)閿?shù)據(jù)量大，不能快速、即時(shí)地進(jìn)行檢測(cè)，而且由于數(shù)據(jù)量大，致使權(quán)值調(diào)整過(guò)程是一個(gè)巨大的程序運(yùn)行過(guò)程，最重要的是測(cè)率也很低，通過(guò)使用本文提出的MR GA?BP均值法算法來(lái)解決上述傳統(tǒng)入侵檢測(cè)的缺點(diǎn)?；谠破脚_(tái)的入侵檢測(cè)系統(tǒng)分為入侵檢測(cè)數(shù)據(jù)源收集，入侵檢測(cè)數(shù)據(jù)源預(yù)處理，數(shù)據(jù)源存儲(chǔ)，入侵檢測(cè)模塊。

3.2 數(shù)據(jù)源采集

在數(shù)據(jù)源獲取階段，常用的獲取數(shù)據(jù)源的部件是收發(fā)器、代理、適配器，獲取的數(shù)據(jù)源主要來(lái)自于主機(jī)、網(wǎng)絡(luò)、日志等。結(jié)構(gòu)如圖2所示。

3.3 數(shù)據(jù)源的預(yù)處理

由于數(shù)據(jù)預(yù)處理需要為后續(xù)進(jìn)行入侵檢測(cè)分析提供數(shù)據(jù)源，因此它對(duì)整個(gè)過(guò)程影響極為關(guān)鍵。高質(zhì)量的數(shù)據(jù)源可以相應(yīng)地提升整個(gè)處理過(guò)程的效率。由于在本次研究中，后續(xù)的處理是在Hadoop平臺(tái)下BP神經(jīng)網(wǎng)絡(luò)中完成的，在進(jìn)行訓(xùn)練時(shí)，需要特定的數(shù)據(jù)格式，因此在數(shù)據(jù)預(yù)處理階段要對(duì)數(shù)據(jù)做進(jìn)一步的處理，轉(zhuǎn)換成BP神經(jīng)網(wǎng)絡(luò)能夠處理的格式。在本階段中，預(yù)處理的數(shù)據(jù)源直接保存到Hadoop的分布式文件系統(tǒng)中。

因此，對(duì)數(shù)據(jù)源的預(yù)處理過(guò)程是：首先對(duì)源數(shù)據(jù)去除多余的字段以及多余的格式；將處理好的數(shù)據(jù)源保存到HDFS中。

3.4 入侵檢測(cè)Hadoop平臺(tái)下MR GA?BP均值法

（1） 整體思想

針對(duì)海量的數(shù)據(jù)來(lái)說(shuō)，為了使入侵檢測(cè)的誤檢率低且收斂速度快，使用MapReduce GA?BP均值法算法，首先利用MapReduce GA遺傳算法對(duì)初始的神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行選擇，經(jīng)過(guò)一定的迭代次數(shù)，尋找到最優(yōu)解個(gè)體，這個(gè)為BP神經(jīng)算法權(quán)值的初始權(quán)值，使用BP神經(jīng)算法輸入入侵檢測(cè)數(shù)據(jù)源，同時(shí)輸入利用GA遺傳算法得到的最優(yōu)權(quán)值，開(kāi)始訓(xùn)練神經(jīng)網(wǎng)絡(luò)，之后將權(quán)值進(jìn)一步優(yōu)化，當(dāng)?shù)玫降恼`差達(dá)到一個(gè)可以接受的范圍，或者迭代次數(shù)達(dá)到預(yù)計(jì)設(shè)定的值，使用測(cè)試數(shù)據(jù)測(cè)試結(jié)果，判斷誤解率以及檢測(cè)率。

（2） GA遺傳算法的MapReduce

因?yàn)镚A遺傳算法是對(duì)初始值的優(yōu)化，將其應(yīng)用到入侵檢測(cè)領(lǐng)域就是對(duì)初始權(quán)值的優(yōu)化，所以，要經(jīng)過(guò)以下幾個(gè)步驟：

① 隨機(jī)生成初始權(quán)值，這個(gè)初始值的生成由函數(shù)random（）生成，每一個(gè)初始權(quán)值是種群中的一個(gè)個(gè)體，生成一定數(shù)量的初始權(quán)值，稱為一個(gè)種群。

② 執(zhí)行Map函數(shù)，使用隨機(jī)生成的初始權(quán)值計(jì)算種群中每個(gè)個(gè)體對(duì)應(yīng)所有樣本的誤差，求和，將誤差之和作為種群中每個(gè)個(gè)體的適應(yīng)度倒數(shù)。

③ 開(kāi)始Reduce函數(shù)，通過(guò)Map輸出的誤差，計(jì)算群體中每個(gè)個(gè)體的適應(yīng)度f(wàn)itness（）。在Reduce（）函數(shù)中，執(zhí)行select（），cross（），muta（）。達(dá)到最大迭代次數(shù)時(shí)，停止。

（3） BP神經(jīng)網(wǎng)絡(luò)算法的MapReduce

在本次研究中，以海量入侵檢測(cè)數(shù)據(jù)為數(shù)據(jù)源，經(jīng)過(guò)預(yù)處理，保留對(duì)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練有益的數(shù)據(jù)屬性，將字符串過(guò)濾掉，利用MapReduce GA算法優(yōu)化出來(lái)的數(shù)據(jù)源，通過(guò)分解出輸入分量和預(yù)期結(jié)果，開(kāi)始多次BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。訓(xùn)練之后，將測(cè)試樣本的數(shù)據(jù)源進(jìn)行預(yù)處理，預(yù)測(cè)出測(cè)試樣本的結(jié)果。

具體執(zhí)行的步驟如下：開(kāi)始執(zhí)行MapReduce BP神經(jīng)算法。學(xué)習(xí)完成之后，開(kāi)始訓(xùn)練。訓(xùn)練完成后，測(cè)試樣本的實(shí)際輸出結(jié)果如圖3所示。

其中A，B為通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，輸入測(cè)試樣本預(yù)測(cè)出來(lái)的結(jié)果，該預(yù)測(cè)和預(yù)期結(jié)果一致，C是預(yù)測(cè)錯(cuò)誤，和實(shí)際結(jié)果不同。

4 實(shí)驗(yàn)結(jié)果分析

使用實(shí)驗(yàn)室7臺(tái)計(jì)算機(jī)，其中的1臺(tái)為NameNode節(jié)點(diǎn)，剩下的6臺(tái)為Datanode節(jié)點(diǎn)。節(jié)點(diǎn)機(jī)器的配置為英特爾酷睿雙核2.26 GHz處理器，2 GB內(nèi)存，320 GB硬盤。軟件環(huán)境為ubuntu12.0.4操作系統(tǒng)，JDK1.6.0.20，Hadoop。

Hadoop平臺(tái)搭建好之后，在Ecliepse環(huán)境下能夠方便地開(kāi)始Hadoop并行程序的開(kāi)發(fā)和測(cè)試，將hadoop?1.2.1?eclipse?plugin.jar復(fù)制到eclipse＼plugins中，啟動(dòng)Eclipse。

為了驗(yàn)證本文提出的基于云計(jì)算平臺(tái)的入侵檢測(cè)算法MR GA?BP均值法的可行性，測(cè)試使用該算法的預(yù)測(cè)入侵檢測(cè)數(shù)據(jù)的精度，收斂速度，所以使用的測(cè)試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)源均為KDD CUP 99。

4.1 算法的收斂速度運(yùn)行效率測(cè)試

對(duì)比項(xiàng)：MapReduce BP，MR GA?BP算法、本實(shí)驗(yàn)提出的MR GA?BP均值法。數(shù)據(jù)源：完整的數(shù)據(jù)集為708.2 MB，10%的KDD CUP99數(shù)據(jù)集（71.4 MB）。

實(shí)驗(yàn)結(jié)果表明本文中提出的MRGA?BP均值法方法相比MRGA?BP在訓(xùn)練速度上確實(shí)有提高。本文還提出了在Hadoop平臺(tái)下完成MapReduceBP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，主要是為了比照GA遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間的影響，通過(guò)實(shí)驗(yàn)對(duì)比，GA遺傳算法可以降低BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，使入侵檢測(cè)時(shí)間耗時(shí)降低，如表1所示。

5 結(jié) 論

海量數(shù)據(jù)的安全問(wèn)題一直是人們關(guān)注的重點(diǎn)，隨著業(yè)務(wù)的增長(zhǎng)使得單一節(jié)點(diǎn)的計(jì)算平臺(tái)無(wú)法處理日益增長(zhǎng)的海量數(shù)據(jù)的安全問(wèn)題，亟需利用分布式的計(jì)算平臺(tái)來(lái)提高計(jì)算效率以及檢測(cè)準(zhǔn)確率。本文對(duì)此提供了一種解決方案，入侵檢測(cè)算法的核心采用MR GA?BP均值算法，該均值算法使用并行化思想，通過(guò)遺傳算法尋找最優(yōu)的權(quán)值，然后開(kāi)始進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，整個(gè)過(guò)程采用分布式計(jì)算平臺(tái)Hadoop框架，將遺傳算法和神經(jīng)網(wǎng)絡(luò)算法在云計(jì)算平臺(tái)下實(shí)現(xiàn)，同時(shí)對(duì)算法進(jìn)行改進(jìn)，使入侵檢測(cè)的效率和精度有所提升。

參考文獻(xiàn)

[1] 沙恒，帖軍.基于Hadoop子項(xiàng)目：HiVe的云計(jì)算性能測(cè)試[J].軟件導(dǎo)刊，2012，11（11）：14?16.

[2] 李橋興，強(qiáng)保華，楊春燕.大數(shù)據(jù)基元的HBase數(shù)據(jù)庫(kù)存儲(chǔ)模型與實(shí)現(xiàn)[J].廣東工業(yè)大學(xué)學(xué)報(bào)，2014，31（3）：8?13.

[3] 劉勝娃，陳思錦，李衛(wèi).企業(yè)私有云平臺(tái)安全技術(shù)研究[J].現(xiàn)代電子技術(shù)，2014，37（2）：88?90.

[4] 劉侃，章兢.基于自適應(yīng)線性元件神經(jīng)網(wǎng)絡(luò)的表面式永磁同步電機(jī)參數(shù)在線辨識(shí)[J].中國(guó)電機(jī)工程學(xué)報(bào)，2010，30（30）：68?73.

[5] 朱先勇，劉耀輝，張英波，等.基于BP神經(jīng)網(wǎng)絡(luò)的球墨鑄鐵組織和力學(xué)性能預(yù)測(cè)[J].湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，34（10）：74?77.

[6] 王玲芝，王忠民.動(dòng)態(tài)調(diào)整學(xué)習(xí)速率的BP改進(jìn)算法[J].計(jì)算機(jī)應(yīng)用，2009，29（7）：1894?1896.

[7] 李軍華，黎明，袁麗華.基于個(gè)體相似度交叉率自適應(yīng)的遺傳算法[J].系統(tǒng)工程，2006，24（9）：108?111.

[8] 林曉鵬.云計(jì)算及其關(guān)鍵技術(shù)問(wèn)題[J].現(xiàn)代電子技術(shù)，2013，36（12）：67?70.