《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 設(shè)計(jì)應(yīng)用 > 基于GWO-SVM算法的物聯(lián)網(wǎng)入侵檢測(cè)研究
基于GWO-SVM算法的物聯(lián)網(wǎng)入侵檢測(cè)研究
2020年信息技術(shù)與網(wǎng)絡(luò)安全第10期
張金霜1，梁樹杰1，左敬龍2
1.廣東茂名幼兒師范?？茖W(xué)校 教育信息技術(shù)中心，廣東 茂名525000； 2.廣東石油化工學(xué)院 網(wǎng)絡(luò)與教育信息技術(shù)中心，廣東 茂名525000
摘要： 物聯(lián)網(wǎng)時(shí)代悄然而至，然而物聯(lián)網(wǎng)技術(shù)在給人們帶來方便的同時(shí)，其安全問題也日趨突出。針對(duì)物聯(lián)網(wǎng)存在的網(wǎng)絡(luò)入侵安全問題，提出GWO-SVM算法實(shí)現(xiàn)網(wǎng)絡(luò)入侵檢測(cè)?；依莾?yōu)化算法(GWO)具有收斂速度快、全局搜索能力強(qiáng)等優(yōu)點(diǎn)，將GWO用于優(yōu)化支持向量機(jī)(SVM)的參數(shù)選擇，有助于提升分類模型的準(zhǔn)確率。同時(shí)通過調(diào)整適應(yīng)度值函數(shù)，避免分類模型過擬合。在UNSW-NB15數(shù)據(jù)集上，將GWO-SVM分類算法與SVM、PSO-SVM、GA-SVM分類算法進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明，GWO-SVM算法具有更高的分類準(zhǔn)確率和性能，適用于物聯(lián)網(wǎng)環(huán)境下的網(wǎng)絡(luò)入侵檢測(cè)。
中圖分類號(hào)： TP393
文獻(xiàn)標(biāo)識(shí)碼： A
DOI： 10.19358/j.issn.2096-5133.2020.10.009
引用格式： 張金霜，梁樹杰，左敬龍. 基于GWO-SVM算法的物聯(lián)網(wǎng)入侵檢測(cè)研究[J].信息技術(shù)與網(wǎng)絡(luò)安全，2020，39(10)：44-48.
Research on Internet of Things intrusion detection by optimizing SVM using Grey Wolf Optimization algorithm
Zhang Jinshuang1，Liang Shujie1，Zuo Jinglong2
1.Education Information Technology Center, Guangdong Perschool Normal College in Maoming，Maoming 525000，China； 2.Network and Education Information Technology Center,Guangdong University of Petrochemical Technology， Maoming 525000，China
Abstract： The era of the Internet of Things is coming quietly. With the development of the Internet of Things technology, which brings convenience to people, security issues become increasingly prominent. To solve the problem of network intrusion security in Internet of Things, GWO-SVM algorithm was proposed to realize network intrusion detection. Grey Wolf Optimization algorithm(GWO) has the advantages of fast convergence speed and strong global search ability. Using GWO to optimize the parameter selection of Support Vector Machine(SVM) is helpful to improve the accuracy of classification model. Furthermore, by adjusting the fitness value function, overfitting of the classification model is avoided.In order to verify the effectiveness of the GWO-SVM algorithm, the experiment employs UNSW-NB15 data sets and compares with other parameter optimization methods such as SVM, PSO-SVM, GA-SVM. The experimental results show that GWO-SVM algorithm has higher classification accuracy and performance, which is suitable for network intrusion detection in the Internet of Things.
Key words : network intrusion detection；Grey Wolf Optimization(GWO)；Support Vector Machine(SVM)；Internet of Things security

0 引言

    隨著信息通信產(chǎn)業(yè)的發(fā)展，物聯(lián)網(wǎng)技術(shù)已被廣泛應(yīng)用于人們生產(chǎn)生活中，其中智能家居就是物聯(lián)網(wǎng)技術(shù)運(yùn)用的典型代表。然而物聯(lián)網(wǎng)技術(shù)在給人們生活帶來便捷的同時(shí)，也帶來了新的安全威脅，如個(gè)人隱私泄露、越權(quán)操作、數(shù)據(jù)破壞等[1]。其中，物聯(lián)網(wǎng)的通信與信息安全問題是關(guān)鍵一環(huán)，通過使用網(wǎng)絡(luò)入侵檢測(cè)技術(shù)，能有效抵御或降低此類安全風(fēng)險(xiǎn)。

    網(wǎng)絡(luò)入侵檢測(cè)的核心是分類算法。盡管當(dāng)下使用深度學(xué)習(xí)進(jìn)行數(shù)據(jù)分類十分流行，但支持向量機(jī)(Support Vector Machine，SVM)作為一種經(jīng)典的分類算法，因其具有小樣本學(xué)習(xí)、避免“維數(shù)災(zāi)難”、算法魯棒性好等優(yōu)點(diǎn)，在網(wǎng)絡(luò)入侵檢測(cè)的研究中仍占有一席之地，具有良好的推廣性和適應(yīng)性。在面向物聯(lián)網(wǎng)環(huán)境，相較于其他常見的分類算法，如貝葉斯網(wǎng)絡(luò)、KNN算法、模糊聚類、隨機(jī)森林等，SVM表現(xiàn)出更好的綜合性能[2]。

    SVM的分類效果與其參數(shù)選擇有較大的關(guān)系，關(guān)于參數(shù)如何選擇問題，常用的方法是使用群智能優(yōu)化算法求解，如粒子群算法(Particle Swarm Optimization，PSO)、遺傳算法(Genetic Algorithm，GA)、人工蜂群算法(Artificial Bee Colony，ABC)等[3-6]。針對(duì)部分優(yōu)化算法存在收斂速度慢、容易陷入局部最優(yōu)解等缺點(diǎn)，本文引入一種新型元啟發(fā)性優(yōu)化算法——灰狼優(yōu)化算法對(duì)SVM參數(shù)進(jìn)行優(yōu)化。

    灰狼優(yōu)化算法(Grey Wolf Optimizer，GWO)由學(xué)者M(jìn)IRJALILI S等在2014年提出[7]，它通過模擬自然界灰狼種群等級(jí)機(jī)制和捕獵行為，確定捕食獵物的位置，實(shí)現(xiàn)優(yōu)化搜索目的。灰狼算法具有實(shí)現(xiàn)步驟簡(jiǎn)單，需調(diào)整的參數(shù)少，收斂速度快，有較強(qiáng)的全局搜索能力等特點(diǎn)，在工程領(lǐng)域得到廣泛應(yīng)用[8-10]。




本文詳細(xì)內(nèi)容請(qǐng)下載:http://ihrv.cn/resource/share/2000003139




作者信息:

張金霜1，梁樹杰1，左敬龍2

(1.廣東茂名幼兒師范?？茖W(xué)校 教育信息技術(shù)中心，廣東 茂名525000；

2.廣東石油化工學(xué)院 網(wǎng)絡(luò)與教育信息技術(shù)中心，廣東 茂名525000)

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。