.562. 智能系统学报 第8卷 Xi-m 1.0r ②标准化数据Y:= 0.8 0.6 -MPSO BP 此时，计算得到的标准数据不一定能够在 0.4 ·PSO_BP [0,1]内，本文再次采取线性标准化公式，能够归一 0 BP 化计算数据到指定的闭区间[0,1]中： 03101202本30方4ǒ10 (X-min)】 误报率 Y=7 (max -min) 图33种算法仿真实验结果 式中：仿真实验线性归一化前后计算的数据值分别 Fig.3 The simulation results of three algorithms 用X和Y表示，线性归一化样本数据的最大值和最 样本数据中4种具体攻击类型的平均误报率和 小值分别用max和min表示. 检测率如表8所示，仿真结果中对于DoS和Pob攻 3.3仿真实验结果分析 击类型的检测率是比较高的，分别是94.25%和91. 仿真实验中抽取4组样本数据进行入侵测试， 33%:同时由于R2L和U2L攻击类型中的数据量相 每组样本数据中包含2400条事件记录，都是由 对较少，比较容易形成错判，导致仿真实验对于2L 2000条正常事件记录和400条入侵行为记录组成. 和U2R攻击类型的检测率比较低，分别是27.43%和 在每个样本数据中的攻击类型数目不同，能够有效 42.47% 对比3种算法检测不同攻击类型的功能.详细样本 表84种攻击类型的具体仿真结果 数据如表6所示： Table 8 The specific simulation results of fourattack types% 表6包含2400条记录的样本数据 检测MPSO_BP算法 PSO_BP算法 BP算法 Table 6 The sample data of 2 400 records 算法检测率误报率 检测率误报率检测率误报率 样本数据正常事件DOSU2LR2LPob DOS 94.252.43 86.41 3.29 81.445.56 U2R 42.47 3.52 40.21 4.61 38.576.68 样本1 2000 120 80 100100 R2L27.432.35 26.52 4.32 25.587.87 样本2 2000 1505080120 Prob91.331.92 90.232.74 89.115.48 样本3 2000 16040 60140 样本4 2000 18020 40 160 4 结束语 仿真测试中，分别对文献[10-11]中的算法和本 本文结合BP神经网络和PSO算法的优点，提 文算法采用同样的样本数据进行测试.仿真实验结 出MPSO算法和MPSO_BP神经网络，用改进的 果如表7所示. MPS0算法优化BP神经网络，并将优化后的 表73种算法仿真实验结果 MPSO_BP神经网络应用到MPBIDS入侵检测模型 Table 7 The simulation results of three algorithms 中，使得该模型的检测性能得到明显提升.仿真实验 样本MPSO_BP算法 PSO_BP算法 BP算法 中，先归一化和标准化神经网络的训练数据样本，通 数据检测率误报率检测率误报率 检测率误报率 过优化的MPSO_BP神经网络的聚类功能生成作为 样本185.691.92 84.48 2.54 83.523.49 输入向量的最佳神经元，然后把包含最佳神经元的 样本289.451.41 87.38 2.43 86.342.64 样本数据按照规则进行相应编码，并把编码后的数 样本394.530.86 92.491.32 90.441.78 据集作为MPSO_BP网络的输入向量，对其进行训 样本496.770.36 94.320.79 93.281.35 练这样既可以利用编码规则来判断是否为新的攻 从表7中的实验数据分析得出，本文用带变异 击类型，提高网络的自学习能力，同时也降低了MP 算子的改进PSO算法优化BP神经网络的参数，提 SO_BP神经网络的样本训练量，加快了网络的学习 出MPS0_BP优化神经网络算法，与文献[10-11]中 速度.仿真实验数据证明基于优化MPSO_BP神经网 的算法相比，在同一条件下，本文提出的MPSO_BP 络的MPBIDS模型具有较高的检测率和较低的误报 算法性能得到有效改善：入侵检测率有明显提高，入 率，同时该模型能够有效地辨别攻击行为和正常行 侵误报率有明显降低.仿真实验数据说明，MPSO_ 为，体现出较好的应用效果和理论研究价值. BP算法能够有效提升MPBIDS模型的检测性能.用 图3表示表7中的实验数据，能够更直观地说明仿 参考文献： 真实验结果， [1]CLAUDINO E C,ABDELOUAHAB Z,TEIXEIRA MM.②标准化数据 Ｙｉ ＝ Ｘｉ － ｍ Ｓ ． 此时， 计 算 得 到 的 标 准 数 据 不 一 定 能 够 在 ［０，１］内，本文再次采取线性标准化公式，能够归一 化计算数据到指定的闭区间［０，１］中： Ｙ ＝ （Ｘ － ｍｉｎ） （ｍａｘ － ｍｉｎ） ． 式中：仿真实验线性归一化前后计算的数据值分别 用 Ｘ 和 Ｙ 表示，线性归一化样本数据的最大值和最 小值分别用 ｍａｘ 和 ｍｉｎ 表示． ３．３ 仿真实验结果分析 仿真实验中抽取 ４ 组样本数据进行入侵测试， 每组样本数据中包含 ２ ４００ 条事件记录， 都是由 ２ ０００条正常事件记录和 ４００ 条入侵行为记录组成． 在每个样本数据中的攻击类型数目不同，能够有效 对比 ３ 种算法检测不同攻击类型的功能．详细样本 数据如表 ６ 所示： 表 ６ 包含 ２ ４００ 条记录的样本数据 Ｔａｂｌｅ ６ Ｔｈｅ ｓａｍｐｌｅ ｄａｔａ ｏｆ ２ ４００ ｒｅｃｏｒｄｓ 样本数据 正常事件 ＤＯＳ Ｕ２Ｌ Ｒ２Ｌ Ｐｒｏｂ 样本 １ ２ ０００ １２０ ８０ １００ １００ 样本 ２ ２ ０００ １５０ ５０ ８０ １２０ 样本 ３ ２ ０００ １６０ ４０ ６０ １４０ 样本 ４ ２ ０００ １８０ ２０ ４０ １６０ 仿真测试中，分别对文献［１０⁃１１］中的算法和本 文算法采用同样的样本数据进行测试．仿真实验结 果如表 ７ 所示． 表 ７ ３ 种算法仿真实验结果 Ｔａｂｌｅ ７ Ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｔｈｒｅｅ ａｌｇｏｒｉｔｈｍｓ ％ 样本 数据 ＭＰＳＯ＿ＢＰ 算法 检测率 误报率 ＰＳＯ＿ＢＰ 算法 检测率 误报率 ＢＰ 算法 检测率 误报率 样本 １ ８５．６９ １．９２ ８４．４８ ２．５４ ８３．５２ ３．４９ 样本 ２ ８９．４５ １．４１ ８７．３８ ２．４３ ８６．３４ ２．６４ 样本 ３ ９４．５３ ０．８６ ９２．４９ １．３２ ９０．４４ １．７８ 样本 ４ ９６．７７ ０．３６ ９４．３２ ０．７９ ９３．２８ １．３５ 从表 ７ 中的实验数据分析得出，本文用带变异 算子的改进 ＰＳＯ 算法优化 ＢＰ 神经网络的参数，提 出 ＭＰＳＯ＿ＢＰ 优化神经网络算法，与文献［１０⁃１１］中 的算法相比，在同一条件下，本文提出的 ＭＰＳＯ＿ＢＰ 算法性能得到有效改善：入侵检测率有明显提高，入 侵误报率有明显降低．仿真实验数据说明，ＭＰＳＯ＿ ＢＰ 算法能够有效提升 ＭＰＢＩＤＳ 模型的检测性能．用 图 ３ 表示表 ７ 中的实验数据，能够更直观地说明仿 真实验结果． 图 ３ ３ 种算法仿真实验结果 Ｆｉｇ． ３ Ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｔｈｒｅｅ ａｌｇｏｒｉｔｈｍｓ 样本数据中 ４ 种具体攻击类型的平均误报率和 检测率如表 ８ 所示，仿真结果中对于 ＤｏＳ 和 Ｐｒｏｂ 攻 击类型的检测率是比较高的，分别是 ９４．２５％和 ９１． ３３％；同时由于 Ｒ２Ｌ 和 Ｕ２Ｌ 攻击类型中的数据量相 对较少，比较容易形成错判，导致仿真实验对于 Ｒ２Ｌ 和 Ｕ２Ｒ 攻击类型的检测率比较低，分别是２７．４３％和 ４２．４７％． 表 ８ ４ 种攻击类型的具体仿真结果 Ｔａｂｌｅ ８ Ｔｈｅ ｓｐｅｃｉｆｉｃ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｆｏｕｒａｔｔａｃｋ ｔｙｐｅｓ ％ 检测 算法 ＭＰＳＯ＿ＢＰ 算法 检测率 误报率 ＰＳＯ＿ＢＰ 算法 检测率 误报率 ＢＰ 算法 检测率 误报率 ＤＯＳ ９４．２５ ２．４３ ８６．４１ ３．２９ ８１．４４ ５．５６ Ｕ２Ｒ ４２．４７ ３．５２ ４０．２１ ４．６１ ３８．５７ ６．６８ Ｒ２Ｌ ２７．４３ ２．３５ ２６．５２ ４．３２ ２５．５８ ７．８７ Ｐｒｏｂ ９１．３３ １．９２ ９０．２３ ２．７４ ８９．１１ ５．４８ ４ 结束语 本文结合 ＢＰ 神经网络和 ＰＳＯ 算法的优点，提 出 ＭＰＳＯ 算法和 ＭＰＳＯ＿ＢＰ 神经网络，用改进的 ＭＰＳＯ 算 法 优 化 ＢＰ 神 经 网 络， 并 将 优 化 后 的 ＭＰＳＯ＿ＢＰ神经网络应用到 ＭＰＢＩＤＳ 入侵检测模型 中，使得该模型的检测性能得到明显提升．仿真实验 中，先归一化和标准化神经网络的训练数据样本，通 过优化的 ＭＰＳＯ＿ＢＰ 神经网络的聚类功能生成作为 输入向量的最佳神经元，然后把包含最佳神经元的 样本数据按照规则进行相应编码，并把编码后的数 据集作为 ＭＰＳＯ＿ＢＰ 网络的输入向量，对其进行训 练．这样既可以利用编码规则来判断是否为新的攻 击类型，提高网络的自学习能力，同时也降低了 ＭＰ⁃ ＳＯ＿ＢＰ 神经网络的样本训练量，加快了网络的学习 速度．仿真实验数据证明基于优化 ＭＰＳＯ＿ＢＰ 神经网 络的 ＭＰＢＩＤＳ 模型具有较高的检测率和较低的误报 率，同时该模型能够有效地辨别攻击行为和正常行 为，体现出较好的应用效果和理论研究价值． 参考文献： ［１］ ＣＬＡＵＤＩＮＯ Ｅ Ｃ， ＡＢＤＥＬＯＵＡＨＡＢ Ｚ， ＴＥＩＸＥＩＲＡ Ｍ Ｍ． ·５６２· 智 能 系 统 学 报 第 ８ 卷