[發(fā)明專利]一種基于GAPSO-TWSVM的工業(yè)網(wǎng)絡(luò)入侵檢測方法

有效

• 申請?zhí)枺?/td>: 201910922555.4
• 申請日: 2019-09-27
• 公開（公告）號: CN110659482B
• 公開（公告）日: 2022-03-25
• 發(fā)明（設(shè)計）人: 周原;李和林;劉明山;王迎;劉清憶;任彩琴;張圓圓
• 申請（專利權(quán)）人: 吉林大學(xué)
• 主分類號: G06F21/55
• 分類號: G06F21/55;G06K9/62;G06V10/774;G06V10/764;G06N3/12
• 代理公司: 長春市恒譽專利代理事務(wù)所(普通合伙) 22212
• 代理人: 李榮武

1.一種基于GAPSO-TWSVM的工業(yè)網(wǎng)絡(luò)入侵檢測方法，其特征在于，包括如下步驟：

步驟1：選取工控入侵檢測標(biāo)準(zhǔn)數(shù)據(jù)集為工業(yè)網(wǎng)絡(luò)入侵檢測數(shù)據(jù)集；

步驟2：該工控入侵檢測標(biāo)準(zhǔn)數(shù)據(jù)集的每條數(shù)據(jù)的不同特征的取值范圍都有較大差別，因此，對該工控入侵檢測標(biāo)準(zhǔn)數(shù)據(jù)集的每條數(shù)據(jù)進(jìn)行歸一化；

步驟3：采用PCA降維算法對預(yù)處理過的數(shù)據(jù)進(jìn)行特征選擇，降低數(shù)據(jù)集的維數(shù)，將特征選擇后的數(shù)據(jù)集作為TWSVM分類器的輸入，TWSVM的核函數(shù)選擇使用徑向基核函數(shù)；

步驟4：利用GAPSO算法優(yōu)化TWSVM模型參數(shù)：徑向基核函數(shù)寬度σ以及TWSVM的參數(shù)c₁,c₂,其中徑向基核函數(shù)寬度σ初始值為0.1，TWSVM的參數(shù)c₁初始值為2，c₂初始值為1；利用GAPSO算法優(yōu)化TWSVM模型參數(shù)：徑向基核函數(shù)寬度σ以及TWSVM的參數(shù)c₁,c₂；所述的GAPSO算法步驟如下：

a.初始化粒子群，設(shè)定群體規(guī)模，隨機(jī)產(chǎn)生粒子的位置和速度以及位置和速度的范圍；

b.定義適應(yīng)度函數(shù)，并根據(jù)該函數(shù)，計算每個粒子的適應(yīng)度值；

c.比較粒子的適應(yīng)度值與個體最優(yōu)值，如果當(dāng)前適應(yīng)度值優(yōu)于當(dāng)前的粒子最優(yōu)值，則更新當(dāng)前的粒子最優(yōu)值，并將其作為當(dāng)前的最好位置；

d.對每個粒子將其適應(yīng)度值與全局最優(yōu)值進(jìn)行比較，若某個粒子的適應(yīng)度值優(yōu)于當(dāng)前的全局最優(yōu)值，則將其更新為新的全局最優(yōu)值；

e.對遺傳算子進(jìn)行選擇、交叉、變異；

f.對粒子的位置和速度進(jìn)行更新；

g.判斷是否滿足終止條件，如果滿足，則輸出最優(yōu)解，若不滿足，則返回步驟b；

步驟5：確定TWSVM分類器的參數(shù)后，輸入數(shù)據(jù)并對TWSVM分類器輸出的結(jié)果進(jìn)行評價。

2.如權(quán)利要求1所述的基于GAPSO-TWSVM的工業(yè)網(wǎng)絡(luò)入侵檢測方法，其特征在于，所述步驟1中：隨機(jī)選取工控入侵檢測標(biāo)準(zhǔn)數(shù)據(jù)集中的5000條數(shù)據(jù)作為實驗的訓(xùn)練樣本，其中正常記錄的樣本數(shù)為2000條，異常記錄樣本數(shù)為3000條，測試樣本為隨機(jī)選取該工控入侵檢測標(biāo)準(zhǔn)數(shù)據(jù)集中1000條樣本，其中正常記錄的樣本數(shù)為600條，異常記錄樣本數(shù)為400條，數(shù)據(jù)集中的每條數(shù)據(jù)的維數(shù)為26維，每條數(shù)據(jù)有26個特征屬性。

3.如權(quán)利要求1所述的基于GAPSO-TWSVM的工業(yè)網(wǎng)絡(luò)入侵檢測方法，其特征在于，所述步驟2中：由于該工控入侵檢測標(biāo)準(zhǔn)數(shù)據(jù)的不同特征取值范圍差距較大，因此，需要對選取的實驗數(shù)據(jù)進(jìn)行數(shù)據(jù)的歸一化處理，歸一化的區(qū)間為(0，1)，歸一化的計算公式為：

其中，x為數(shù)據(jù)歸一化前的真實數(shù)據(jù)，x’′歸一化后的數(shù)據(jù)。

4.如權(quán)利要求1所述的基于GAPSO-TWSVM的工業(yè)網(wǎng)絡(luò)入侵檢測方法，其特征在于：所述步驟3中：特征選擇方法為PCA降維算法，PCA將原來26個工業(yè)特征x₁,x₂,…x₂₆進(jìn)行線性變換，得到新的26個工業(yè)特征數(shù)據(jù)集，由26個新的主成分構(gòu)成的新的特征向量空間，根據(jù)每一個新的主成分的方差貢獻(xiàn)率進(jìn)行降序排列，從中選擇前m個特征就可以代表原始數(shù)據(jù)集的26個特征，達(dá)到數(shù)據(jù)降維的目的，提取的特征數(shù)量為10個；所述的徑向基核函數(shù)為：

5.如權(quán)利要求1所述的基于GAPSO-TWSVM的工業(yè)網(wǎng)絡(luò)入侵檢測方法，其特征在于：所述步驟5中：對檢測結(jié)果進(jìn)行性能評價，采用的評價指標(biāo)為正確率、誤報率、漏報率、模型訓(xùn)練時間并將檢測結(jié)果與PSO-TWSVM算法以及GA-TWSVM算法進(jìn)行性能比較。