中文不卡在线,欧美日韩一区二区在线观看视频 ,一区二区三区不卡在线视频

基于GWO-SVM算法的物聯網入侵檢測研究

2020年信息技術與網絡安全第10期

張金霜1，梁樹杰1，左敬龍2

1.廣東茂名幼兒師范專科學校教育信息技術中心，廣東茂名525000； 2.廣東石油化工學院網絡與教育信息技術中心，廣東茂名525000

摘要： 物聯網時代悄然而至，然而物聯網技術在給人們帶來方便的同時，其安全問題也日趨突出。針對物聯網存在的網絡入侵安全問題，提出GWO-SVM算法實現網絡入侵檢測。灰狼優化算法(GWO)具有收斂速度快、全局搜索能力強等優點，將GWO用于優化支持向量機(SVM)的參數選擇，有助于提升分類模型的準確率。同時通過調整適應度值函數，避免分類模型過擬合。在UNSW-NB15數據集上，將GWO-SVM分類算法與SVM、PSO-SVM、GA-SVM分類算法進行對比，實驗結果表明，GWO-SVM算法具有更高的分類準確率和性能，適用于物聯網環境下的網絡入侵檢測。

關鍵詞： 網絡入侵檢測灰狼優化算法支持向量機物聯網安全

中圖分類號： TP393
文獻標識碼： 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算法的物聯網入侵檢測研究[J].信息技術與網絡安全，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

隨著信息通信產業的發展，物聯網技術已被廣泛應用于人們生產生活中，其中智能家居就是物聯網技術運用的典型代表。然而物聯網技術在給人們生活帶來便捷的同時，也帶來了新的安全威脅，如個人隱私泄露、越權操作、數據破壞等^[1]。其中，物聯網的通信與信息安全問題是關鍵一環，通過使用網絡入侵檢測技術，能有效抵御或降低此類安全風險。

網絡入侵檢測的核心是分類算法。盡管當下使用深度學習進行數據分類十分流行，但支持向量機(Support Vector Machine，SVM)作為一種經典的分類算法，因其具有小樣本學習、避免“維數災難”、算法魯棒性好等優點，在網絡入侵檢測的研究中仍占有一席之地，具有良好的推廣性和適應性。在面向物聯網環境，相較于其他常見的分類算法，如貝葉斯網絡、KNN算法、模糊聚類、隨機森林等，SVM表現出更好的綜合性能^[2]。

SVM的分類效果與其參數選擇有較大的關系，關于參數如何選擇問題，常用的方法是使用群智能優化算法求解，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]。針對部分優化算法存在收斂速度慢、容易陷入局部最優解等缺點，本文引入一種新型元啟發性優化算法——灰狼優化算法對SVM參數進行優化。

灰狼優化算法(Grey Wolf Optimizer，GWO)由學者MIRJALILI S等在2014年提出^[7]，它通過模擬自然界灰狼種群等級機制和捕獵行為，確定捕食獵物的位置，實現優化搜索目的。灰狼算法具有實現步驟簡單，需調整的參數少，收斂速度快，有較強的全局搜索能力等特點，在工程領域得到廣泛應用^[8-10]。

本文詳細內容請下載:http://www.jysgc.com/resource/share/2000003139

作者信息:

張金霜1，梁樹杰1，左敬龍2

(1.廣東茂名幼兒師范專科學校教育信息技術中心，廣東茂名525000；

2.廣東石油化工學院網絡與教育信息技術中心，廣東茂名525000)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容