为了提高网络入侵检测正确率,降低特征冗余,提出一种蚁群优化与支持向量机相结合的入侵检测方法(ACO-SVM)。利用支持向量机的分类精度和特征子集维数加权构造综合适应度指标,利用蚁群算法的全局寻优和多次优解搜索能力实现特征子集搜索,并设计了局部细化搜索方式,实现特征选择结果降维,提高算法的收敛性。 为符号函数，i为Lagrange乘子。 本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com  由于RBF只需确定核函数宽度参数σ，这样有利于参数优化，因此，RBF核函数定义如下：2(,)exp2ijijxxkxx（12）网络入侵检测是一种多分类问题，因此必须通过组合策略构建网络入侵检测器。本文采用有向无环图将两分类的SVM组合在一起入侵检测中的应用-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机，构造网络入侵检测器，具体构造如图2所示。图2入侵检测器F3仿真实验3.1特征数据来源模拟异常检测数据集分为四类：扫描与探Probe、拒绝服务攻击DoS、对本地超级用户的非法访问U2R、未经授权的远程访问R2L。一个连接记录为一个完整会话，每条记录共有41个属性（9个离散、32个连续）。训练集、测试集的比例为4∶1。3.2特征对网络入侵检测性能影响为了测试不同特征子集对网络入侵检测性能的影响，采采用未进行特征选择的SVM模型（SVM），只采用遗传算法进行特征选择的SVM模型（GA-SVM）作为对比模型用支持向量机建立的网络入侵检测模型，各种模型在各个数据集上运行10次所得结果的平均网络入侵检测正确率（%）如图3所示。从图3可知，相对于传统SVM，特征选择模型（GA-SVM、ACO-SVM）的检测正确率都得到了提高，有效消除冗余特征。改进ACO-SVM的入侵检测的正确率略高于GA-SVM，说明采用ACO对特征进行选择降，能够找到更优的特征子集。图3不同模型性能比较Fig.3Pe入侵检测中的应用-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机 本文有公司网站全自动滚圆机采集转载中国知网整理 http://www.gunyuanji.com