曹策等：变频矢量控制系统入侵检测技术 ·1079· LSSVM初始化I 混沌粒子群优化 模型参数仿真计算 SSVM参数优化 最优LSSVME参数 人侵状态子集 人侵特征向量子集 LSSVM.人侵检测分类 数据包 →处理网络特征失量控制模型人侵检测了检测结果 图5基于CPS0-LSSVM人侵检测分类器检测流程 Fig.5 Intrusion detection classifier detection process based on CPSO-LSSVM 机模型参数仿真计算出的矢量控制参数阈值区间， 根据上式发现，越大，表示粒子群中个体的 定义异常数据入侵特征向量子集与最优LSSVM分 聚集程度越小，2越小，表示粒子群中个体的聚集 类器参数，将得到的最优LSSVM参数下的入侵检测 程度越大，随着更新次数的增加，粒子群中个体的聚 分类器进行全局匹配.CPS0优化LSSVM参数的具 集程度越大粒子群差异越来越小，如果相邻两次的 体步骤为： 的差值小于阀值Q,则采取混沌扰动的方式帮助 (1)随机产生一组初始粒子，粒子群规模为 向量机分类的最优解逃离局部最优的“早熟” 10000,该组粒子位置串的信息包括早熟阀值Q,适 现象[6] 应度标准差Ω网络状态特征子集 (5)对粒子群粒子适应度个体集合位置向量g= (2)对粒子位置串进行反编码，计算初始粒子 [g1,g2,…,gm]通过映射关系映射到Logistic方程 适应度值(s)=AE+(1-A)把，其中，dm为 的定义域[0,1]上的集合为Z=[1,2,…,],其 选择特征子集s的维数：D为网络入侵检测候选特 中映射关系为=号二，i=1,2,…,dim,46,为第 征集的维数；Em为分类错误率；入为分类错误率权 b:-a; 重系数，A=m当特征子集增加一维，人侵 i个粒子的位置向量的上下界 对Logistics方程z+1=,(1-z)进行i次迭代 检测错误率减少x. 得到混沌序列zm,其中u为Logistics方程的控制 (3)根据粒子的速度(n+1)=入(n)+ 参量，将zm逆映射回原解空间得到一组混沌变量 G(P-（n)C2(P-x(n)与位置x(n+ 可解序列：g=a:+(b:-a:),在原解空间对每一 1)=x(n)+入.x(n+1),j=1,2,…,dim计算公 个混沌变量计算其适应度值，比较得到新的最优解， 式，产生新一代粒子群.其中，(n+1)x(n+1) 为(n+1)时刻随机粒子i的速度与位置，PP则 其值将覆盖原来的g.be 均为随机粒子特征子集，，(n)、x,(n)为n时刻随 (6)遍历每一个粒子，当其适应度值t(g:)优 机粒子ij的速度与位置，c1、c2为加速度系数，一般 于历史最优适应度t(g),则将该粒子串作为混 设定为2,1、2为[0,1]区间内的随机数，入，为惯性 沌粒子群算法个体最优解：同理，遍历每一个粒子 权重.在dim维的搜索空间中，第i个粒子的最优位 群，当其适应度值t(S:)优于历史最优适应度t 置用g:=(g1,g2,…,gm)表示，即g.em;此时的粒 (Sg),则将该粒子串作为混沌粒子群算法群体最 子群最优位置即为Sg 优解.其中，S,为第i个粒子作为最优位置时的粒 (4)计算粒子群的适应度方差=立 子群位置，g:为第i个粒子的位置. (7)找到的最优解的早熟阀值Q、适应度标准 ,-）,其中N为混沌粒子群预设粒子数量， 差2以及网络状态特征子集将被用于构建LSSVM fit 分类决策函数中[7) 本文采用N=10000,t:为第i个粒子串的适应度， ft为粒子群平均适应度，ft为归一化标定因子，其 fit(in)=sgn ae(-)+m) 2 计算公式为： (fit-fit max Ifit -fit (6) 其中，in:,in是输入特征向量，m是LSSVM模型参 1, max Ifit,-fitavg|≤1 数，a:为Lagrange乘子.由此，将混沌粒子群优化后 (5) 的适应度标准差以及控制模型参数入侵特征向量子曹 策等: 变频矢量控制系统入侵检测技术 图 5 基于 CPSO鄄鄄LSSVM 入侵检测分类器检测流程 Fig. 5 Intrusion detection classifier detection process based on CPSO鄄鄄LSSVM 机模型参数仿真计算出的矢量控制参数阈值区间, 定义异常数据入侵特征向量子集与最优 LSSVM 分 类器参数,将得到的最优 LSSVM 参数下的入侵检测 分类器进行全局匹配. CPSO 优化 LSSVM 参数的具 体步骤为: (1) 随机产生一组初始粒子,粒子群规模为 10000,该组粒子位置串的信息包括早熟阀值 Q,适 应度标准差 赘 网络状态特征子集. (2) 对粒子位置串进行反编码,计算初始粒子 适应度值 fit(s) = 姿Eerror + (1 - 姿) dim D ,其中,dim 为 选择特征子集 s 的维数;D 为网络入侵检测候选特 征集的维数;Eerror为分类错误率;姿 为分类错误率权 重系数,姿 = 100 100 + D·x ,当特征子集增加一维,入侵 检测错误率减少 x. (3)根据粒子的速度 vi,j ( n + 1) = 姿s vi,j ( n) + c1 r1 (pi,j - vi,j(n))·c2 r2 (pg,j - xi,j (n))与位置 xi,j (n + 1) = xi,j(n) + 姿s·xi,j(n + 1),j = 1,2,…,dim 计算公 式,产生新一代粒子群. 其中,vi,j(n + 1)、xi,j(n + 1) 为(n + 1)时刻随机粒子 i、j 的速度与位置,pi,j、pg,j 均为随机粒子特征子集,vi,j (n)、xi,j (n)为 n 时刻随 机粒子 i、j 的速度与位置,c1 、c2 为加速度系数,一般 设定为 2,r1 、r2 为[0,1]区间内的随机数,姿s 为惯性 权重. 在 dim 维的搜索空间中,第 i 个粒子的最优位 置用 gi = (gi1 ,gi2 ,…,gidim )表示,即 gi,best;此时的粒 子群最优位置即为 Sg,best . (4 ) 计 算 粒 子 群 的 适 应 度 方 差 赘 2 = 移 N i = ( 1 fit i - fit avg ) fit ,其中 N 为混沌粒子群预设粒子数量, 本文采用 N = 10000,fit i 为第 i 个粒子串的适应度, fit avg为粒子群平均适应度,fit 为归一化标定因子,其 计算公式为: fit = max 1臆i臆N | fit i - fit avg | , max | fit i - fit avg | > 1 1, max | fit i - fit avg |臆 { 1 (5) 根据上式发现,赘 2 越大,表示粒子群中个体的 聚集程度越小,赘 2 越小,表示粒子群中个体的聚集 程度越大,随着更新次数的增加,粒子群中个体的聚 集程度越大粒子群差异越来越小,如果相邻两次的 赘 2 的差值小于阀值 Q,则采取混沌扰动的方式帮助 向量 机 分 类 的 最 优 解 逃 离 局 部 最 优 的 “ 早 熟冶 现象[16] . (5) 对粒子群粒子适应度个体集合位置向量 g = [g1 ,g2 ,…,gdim ]通过映射关系映射到 Logistic 方程 的定义域[0,1]上的集合为 Z = [ z1 ,z2 ,…,zdim ],其 中映射关系为 zi = gi - ai bi - ai ,i = 1,2,…,dim,ai、bi 为第 i 个粒子的位置向量的上下界. 对 Logistics 方程 zi + 1 = 滋zi(1 - zi)进行 i 次迭代 得到混沌序列 z (m) i ,其中 滋 为 Logistics 方程的控制 参量,将 z (m) i 逆映射回原解空间得到一组混沌变量 可解序列:g m i = ai + (bi - ai) z m i ,在原解空间对每一 个混沌变量计算其适应度值,比较得到新的最优解, 其值将覆盖原来的 gi,best . (6) 遍历每一个粒子,当其适应度值 fit( gi)优 于历史最优适应度 fit(gi,best),则将该粒子串作为混 沌粒子群算法个体最优解;同理,遍历每一个粒子 群,当其适应度值 fit( Si ) 优于历史最优适应度 fit (Sg,best),则将该粒子串作为混沌粒子群算法群体最 优解. 其中,Si 为第 i 个粒子作为最优位置时的粒 子群位置,gi 为第 i 个粒子的位置. (7) 找到的最优解的早熟阀值 Q、适应度标准 差 赘 以及网络状态特征子集将被用于构建 LSSVM 分类决策函数中[17] fit(in) = sgn ( 移 N i = 1 琢i exp ( - 椰ini - inj椰2 2赘 2 ) + m ) (6) 其中,ini,inj 是输入特征向量,m 是 LSSVM 模型参 数,琢i 为 Lagrange 乘子. 由此,将混沌粒子群优化后 的适应度标准差以及控制模型参数入侵特征向量子 ·1079·