群智能算法优化神经网络在网络安全的应用

《群智能算法优化神经网络在网络安全的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、群智能算法优化神经网络在网络安全的应用　　摘要：研究了一种群智能优化神经网络算法的网络流量检测模型。使用QAPSO算法对RBF神经网络的基函数中心、基函数的宽度以及输出层与隐含层的连接权值进行优化。通过实例对该文研究的检测模型进行分析，使用采集的数据对网络流量识别系统进行训练和性能测试。将该文的研究方法和基于常规PSO算法、基于HPSO算法进行对比，结果表明，该文研究的检测方法具有更快的识别速度以及更好的识别准确率，避免了出现陷入局部最优解的情况发生。　　关键词：网络流量检测；群智能算法；RBF神经网络；网络安全　　中图分类号：TN926?34；TP393文献标

2、识码：A文章编号：1004?373X（2016）20?0012?03　　Abstract：Theapplicationofswarmintelligenceoptimizingneuralnetworkinnetworksecurityandanetworktrafficdetectionmodelbasedonneuralnetworkalgorithmarestudiedinthispaper.QAPSOalgorithmisusedtooptimizethebasisfunctioncenterandbasefunctionwidthofRBFneural

3、network，andtheconnectionweightsoftheoutputlayerandthehiddenlayeraswell.Thedetectionmodelstudiedinthispaperisanalyzedbymeansofanexample.Thecollecteddataisusedtotrainthenetworktrafficidentificationsystemandtestitsperformance.Themethod5researchedinthispaperiscomparedwiththealgorithmsbas

4、edontheconventionalPSOandHPSO.Theresultsshowthatthedetectionmethodhasafasterrecognitionspeedandbetterrecognitionaccuracy，andcanavoidtheoccurrenceoflocaloptimalsolutions.　　Keywords：networktrafficdetection；swarmintelligencealgorithm；RBFneuralnetwork；networksecurity　　0引言　　随着互联网技术不断发展和普及

5、，互联网络中的应用和服务类型不断增加，为了提高网络安全，保护网民、公司企业以及政府部门等的财产与利益，需要对网络流量进行高效的监测[1?2]。　　RBF神经网络具有强大的非线性拟合能力，即非线性映射能力，以及自学能力，同时便于计算机实现，因而在网络流量检测等网络安全领域得到了广泛应用。但是RBF神经网络的性能特别依赖网络参数选取的好坏，而传统RBF神经网络参数通常由人为按经验或随机选取，因此网络的性能具有较强的随机性[3?4]。　　近年来，群智能优化算法逐渐发展并得到较为广泛的应用，其中粒子群优化算法是一种能够全局优化，具有建模速度快、收敛效率高的群智能优化算法

6、，然而使用常规PSO算法优化神经网络仍然存在收敛速度和全局优化能力不能够达到平衡等问题[5?7]。因此本文研究一种基于量子自适应粒子群优化算法（QAPSO），对RBF神经网络的基函数中心[Ci]、基函数的宽度[σi]以及输出层与隐含层的连接权值[wi]进行优化。5　　1基于群智能优化的神经网络算法　　本文研究的QAPSO优化算法主要分为4部分，分别为初始化种群、估计进化状态、控制参数自适应以及处理变异[8]。　　1.1初始化种群　　2实例分析　　为验证本文建立基于QAPSO优化RBF神经网络的网络流量检测模型的性能，使用基于Libsvm软件包的C#程序并结合数值

7、计算软件MatlabR2014对网络流量进行采集、计算以及分类。网络流量检测类型如表2所示。　　表2网络流量检测类型　　使用常规PSO优化算法及HPSO优化算法对RBF神经网络进行优化，并建立同样的网络流量检测模型，使用同样的训练数据样本进行训练，使用同样的测试数据样本进行性能测试。常规PSO优化算法的参数为空间维度[D=24]，粒子数量[N=30]，最大迭代次数[tmax=200]，连接权值[w=0.9～0.4]，加速系数[c1]和[c2]均为2。HPSO优化算法的参数为空间维度[D=24]，粒子数量[N=30]，最大迭代次数[tmax=200]，连接权值[w

8、=0.8～0.2]，加速