[发明专利]一种基于GWA优化的工业网络DDoS入侵检测系统分类方法

摘要

一种基于GWA优化的工业网络DDoS入侵检测系统分类方法，包括以下步骤：步骤1：设定初始参数；步骤2：利用混沌逻辑映射策略生成初始的SVM参数的种群；步骤3：利用改进的反向学习策略优化初始的SVM参数的种群；步骤4：使用GWA算子更新SVM参数的种群；步骤5：计算种群个体的适应度函数值，更新最优个体的位置向量；步骤6：若达到最大允许迭代次数，则执行步骤7；否则t＝t+1并返回步骤4；步骤7：结束SVM参数优化过程，输出最优参数C和γ；步骤8：应用搜索到的参数训练支持向量机模型，将该模型用于入侵检测系统的攻击行为检测。本发明很好的平衡了局部搜索与全局搜索，提高了识别能力和实时性。

主权项

1.一种基于GWA优化的工业网络DDoS入侵检测系统分类方法，其特征在于，所述方法包括以下步骤：步骤1：设定初始参数，包括工业网络DDoS入侵检测系统的种群大小M，SVM的惩罚参数C的搜索范围[C_min,C_max]，SVM的核参数γ的搜索范围[γ_min,γ_max]，当前迭代次数t＝0，种群优化最大允许迭代次数t_m；步骤2：利用混沌逻辑映射策略生成初始的SVM参数的种群，设向量S_k＝(p_k,1,p_k,2)是初始的SVM参数的种群中的第k个体，其中p_k,1和p_k,2分别是对应于SVM的惩罚参数C和核参数γ的一个候选解，混沌逻辑映射策略成的初始种群描述为：式中，r_1,h是介于0到1之间的随机数且h＝1,2；当h＝1时，和分别为C_min和C_max；当h＝2时，和分别为γ_min和γ_max；步骤3：利用改进的反向学习策略优化初始的SVM参数的种群：式中，P_k,h是对应于混沌逻辑映射策略生成的个体特征p_k,h的反向特征，P_k是对应于种群个体p_k的反向个体，其中适应度函数V(p)分别以种群个体和训练数据集为函数变量和输入常量，函数值为根据K折交叉验证得到的SVM的分类误差，根据个体的适应度函数值，如果反向个体P_k比原始个体p_k好，则初始种群中的原始个体被反向个体所取代；否则，保留原始个体；步骤4：使用GWA算子更新SVM参数的种群，设定r为[0,1]范围内的一个随机向量，S(t)是当代种群，S_r(t)是当代种群中的一个随机个体，S_m(t)是当代最优个体，且初始种群S(0)＝{S₁,S₂,…,S_M}，GWA算子的变量设置如下：A＝(2‑2t/t_m).r          (5)W_r(t)＝A.|S(t)‑S_r(t)|          (6)W_m(t)＝1.5A.|S_m(t)‑S(t)|          (7)根据公式(8)来更新种群：式中，h是介于[‑1,1]之间的随机数，q是介于[0,1]之间的随机数，Q是介于[0,2]之间的随机向量；步骤5：计算种群个体的适应度函数值，更新最优个体的位置向量；步骤6：若当前迭代达到最大允许迭代次数，则执行步骤7；否则，t＝t+1并返回步骤4；步骤7：结束SVM参数优化过程，输出最优参数C和γ；步骤8：应用搜索到的参数进行支持向量机模型训练，并将该模型用于工业网络DDoS入侵检测系统的攻击行为检测。