基于QPSO优化投影寻踪的网络入侵检测方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (28): 80-82.

基于QPSO优化投影寻踪的网络入侵检测方法

朱丽华，刘以安，魏敏

江南大学信息工程学院，江苏无锡 214122

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-10-01 发布日期:2011-10-01

Network intrusion detection method based on QPSO optimization projection pursuit algorithm

ZHU Lihua，LIU Yi’an，WEI Min

School of Information Engineering，Jiangnan University，Wuxi，Jiangsu 214122，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-10-01 Published:2011-10-01

摘要/Abstract

摘要： 为了提高入侵检测系统的检测率，降低误报率，提出应用QPSO搜索投影寻踪最优投影方向的入侵检测算法，并利用投影寻踪和聚类相结合的思想将网络检测数据的多特征属性投影到低维进行聚类识别判定。对训练样本中的数据进行预处理并且归一化，获取最优投影方向，让样本数据投影到低维空间，对检测数据进行聚类判定。实验结果表明，该方法能很有效地提高入侵检测性能。

关键词: 投影寻踪, 入侵检测, 量子粒子群算法

Abstract: Existing intrusion detection systems have many problems such as detection rate，false positive rate.An intrusion detection based on optimization projection pursuit algorithm is proposed.Aimed at the optimization problem of calculating the best projected vector of projection pursuit，a method is used based on QPSO.Optimization projection pursuit algorithm is implemented to project the data of feature from high dimension to low dimension，then the category of the network data is determined by the clustering algorithm.The algorithm includes data preconditioning，data normalized，the best projected vector calculation，data project to low dimension，and finally inspects data categorization.The experimental results show that the performance of the present method is feasible and effective.

Key words: projection pursuit, intrusion detection, Quantum Particle Swarm Optimization（QPSO）

朱丽华，刘以安，魏敏. 基于QPSO优化投影寻踪的网络入侵检测方法[J]. 计算机工程与应用, 2011, 47(28): 80-82.

ZHU Lihua，LIU Yi’an，WEI Min. Network intrusion detection method based on QPSO optimization projection pursuit algorithm[J]. Computer Engineering and Applications, 2011, 47(28): 80-82.

[1]	王振东，张林，李大海. 基于机器学习的物联网入侵检测系统综述[J]. 计算机工程与应用, 2021, 57(4): 18-27.
[2]	曹磊，李占斌，杨永胜，赵龙飞. 基于双层注意力神经网络的入侵检测方法[J]. 计算机工程与应用, 2021, 57(19): 142-149.
[3]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[4]	巩俊辉，胡晓辉，杜永文. 基于演化博弈的最优防御策略选取研究[J]. 计算机工程与应用, 2021, 57(13): 116-123.
[5]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[6]	黎佳玥，赵波，李想，刘会，刘一凡，邹建文. 基于深度学习的网络流量异常预测方法[J]. 计算机工程与应用, 2020, 56(6): 39-50.
[7]	陈虹，王闰婷，肖成龙，郭鹏飞，黄洁，陈红霖. 基于DBN-XGBDT的入侵检测模型研究[J]. 计算机工程与应用, 2020, 56(22): 83-91.
[8]	狄冲，李桐. 网络未知攻击检测的深度学习方法[J]. 计算机工程与应用, 2020, 56(22): 109-116.
[9]	汪盼，宋雪桦，王昌达，陈锋，徐夏强，蔡冠宇. 基于改进的深度信念网络的入侵检测方法[J]. 计算机工程与应用, 2020, 56(20): 87-92.
[10]	陈虹，赵建智，肖成龙，陈建虎，肖越. 改进ADASYN-SDA的入侵检测模型研究[J]. 计算机工程与应用, 2020, 56(2): 97-105.
[11]	李宏伟，陈亮，白景波. 基于CMFO算法的投影寻踪威胁目标评估模型[J]. 计算机工程与应用, 2020, 56(2): 152-157.
[12]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[13]	吴德鹏，柳毅. 基于可变网络结构自组织映射的入侵检测模型[J]. 计算机工程与应用, 2020, 56(12): 81-86.
[14]	刘月峰1，王成1，张亚斌1，苑江浩2. 用于网络入侵检测的多尺度卷积CNN模型[J]. 计算机工程与应用, 2019, 55(3): 90-95.
[15]	蒋欣兰，贾文博. 高铁接触网异物侵入的机器视觉检测方法[J]. 计算机工程与应用, 2019, 55(22): 250-257.