优化麻雀搜索算法在入侵检测中的研究与应用

作     者：黄运发 

作者单位：东华大学 

学位级别：硕士

导师姓名：李悦

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0839[工学-网络空间安全] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：入侵检测 麻雀搜索算法 遗传算法 BP神经网络 分类器链 

摘      要：随着5G技术的蓬勃发展,我国的互联网普及率不断提高,入网用户数量也持续增加。互联网也在促进着其他行业的快速发展,例如快递、外卖、电商等行业,为人们提供了更加便捷和高效的服务。然而,随之而来的是网络安全问题的不断加剧,各种未知网络威胁不断涌现,这让互联网的发展面临着巨大的挑战。入侵检测是广泛应用于网络安全领域的一项技术,其能够有效地识别和防范网络威胁,从而保障网络安全,维护网络的正常运行和稳定环境。因此,本文建立了二分类入侵检测模型与多分类入侵检测模型。针对入侵检测二分类任务,本文提出了基于优化麻雀搜索算法的二分类入侵检测模型。对于BP神经网络的缺陷,使用麻雀搜索算法搜索最优的初始权值和偏置值。本文使用了logistic-tent混沌映射对麻雀种群初始化,生成在空间上分布均匀的个体,以提高麻雀搜索算法的种群多样性。而针对于麻雀搜索算法在迭代后期种群多样性减少的问题,本文使用了遗传算法对麻雀搜索算法进行改进,通过控制遗传算法的选择、交叉和变异策略,为麻雀搜索算法在迭代后期增加种群多样性。本文将提出的入侵检测模型与支持向量机、逻辑回归、决策树、随机森林和其他文献提出的算法进行比较。实验结果表明,本文所提出的入侵检测模型在入侵检测任务中表现出较高的召回率,具有更好的性能和应用前景。针对入侵检测多分类任务,本文提出了基于分类器链的多分类入侵检测模型。为了提高模型对少数类别的检测能力,本文采用了Borderline SMOTE算法对少数类别进行了二倍采样,增加了数据集的多样性。分类器链模型是一种解决多标签分类问题的有效方法,它可以捕捉标签之间的相关性,并且能够处理不同标签之间的依赖关系。在多分类入侵检测模型中,本文使用了基于遗传算法优化的麻雀搜索算法对分类器链的结构进行了搜索,以此优化模型性能。实验结果表明,本文提出的多分类入侵检测模型相较于其他模型平均检测率更高,但仍有改进空间。该模型为多分类入侵检测提供了一种有效的思路和实现方式。最后,本文设计了一个可视化入侵检测系统,旨在为管理人员提供直观、全面的操作界面和功能支持。系统的前端主要使用了Vue和Element等技术,后端则选取了Django框架,使系统与入侵检测模型的结合更为方便。该系统能够展示训练进程和结果,通过采用可视化图表的方式呈现实验数据,帮助管理员更好地了解模型的训练情况。本文所开发的入侵检测系统提供了一种新的思路,能够有效地将入侵检测模型应用于实际场景中,具有一定的现实意义。