基于灰狼算法优化DBN-SVM的入侵检测方法

摘要

入侵检测技术作为一种可靠的网络安全防御手段，在保障网络安全方面具有重要意义.深度信念网络（Deep Belief Network,DBN）结合支持向量机（Support Vector Machine,SVM）是一种具有良好泛化能力和分类性能的机器学习方法，在入侵检测领域有着广泛的应用.然而，该方法在处理高维数据时容易出现“维数灾难”问题，并且参数选择对分类性能有很大影响，针对以上不足，提出了一种基于灰狼算法（Grey Wolf Optimization,GWO）优化DBN-SVM的入侵检测方法 .在GWO算法中，通过引入自适应狩猎权重系数和改进头狼位置更新公式来加快收敛速度和扩展狼群搜索范围，通过加入最优灰狼个体自适应扰动策略来避免陷入局部最优.进一步利用改进后的GWO算法优化DBN-SVM，并应用于入侵检测.实验结果表明，提出的方法在NSL-KDD和UNSW-NB15数据集上的准确率比未改进的DBN-SVM分别提高6.5%和5.7%，满足入侵检测的应用需求.

关键词

深度信念网络 / 支持向量机 / 灰狼优化算法 / 自适应狩猎权重系数 / t分布扰动 / 入侵检测