基于量子粒子群优化的网络入侵检测算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (36): 102-104.

基于量子粒子群优化的网络入侵检测算法

徐磊，李永忠，李正洁

江苏科技大学计算机学院，江苏镇江 212003

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-12-21 发布日期:2011-12-21

Network intrusion detection algorithm based on quantum-behaved particle swarm optimization

XU Lei，LI Yongzhong，LI Zhengjie

Department of Computer，Jiangsu University of Science and Technology，Zhenjiang，Jiangsu 212003，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-12-21 Published:2011-12-21

摘要/Abstract

摘要： 提出了一种将量子粒子群优化算法和半监督模糊核聚类算法相结合的混合算法，用以解决入侵检测算法中模糊聚类算法对初始值敏感，容易陷入局部最优的问题。该算法对少量标记数据进行监督聚类得到正确模型，运用这个模型指导大量未标记数据进行聚类，扩充标记数据集合，对仍没有确定标记的数据利用量子粒子群优化的模糊核聚类算法进行聚类，确定其标记类型。通过KDD CUP99实验数据的仿真，实验结果表明，该算法在入侵检测中能获得理想的检测率和误检率。

关键词: 入侵检测, 量子粒子群优化, 半监督聚类, 核函数

Abstract: A hybrid algorithm based on quantum-behaved particle swarm optimization algorithm and semi-supervised fuzzy kernel clustering algorithm is proposed.It overcomes the drawbacks of fuzzy clustering methods which are sensitive to the initial cluster centers and easily trapped into local minima.The few labeled data can generate correct model with supervised clustering，and then the model aids to guide lots of unlabeled data to clustering，enlarges the numbles of labeled data.Those data that still can’t be labeled are clustered by the fuzzy kernel method based on quantum-behaved particle swarm optimization，and determine marker types.KDD CUP99 data set is implemented to evaluate the proposed algorithm.Compared to other algorithms，the results show the outstanding performance of the proposed algorithm.

Key words: intrusion detection, Quantum-behaved Particle Swarm Optimization（QPSO）, semi-supervised clustering, kernel function

徐磊，李永忠，李正洁. 基于量子粒子群优化的网络入侵检测算法[J]. 计算机工程与应用, 2011, 47(36): 102-104.

XU Lei，LI Yongzhong，LI Zhengjie. Network intrusion detection algorithm based on quantum-behaved particle swarm optimization[J]. Computer Engineering and Applications, 2011, 47(36): 102-104.

[1]	邓利芳，党建武，王阳萍，王松. 结合混合核特征映射的空域图像隐写分析[J]. 计算机工程与应用, 2021, 57(9): 118-125.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	谢艺菲，卢琪，刘鑫，胡亚豪，潘志松，陈浩. 基于图的多层次注意力事实验证算法[J]. 计算机工程与应用, 2021, 57(10): 146-153.
[7]	韩嵩，韩秋弘. 半监督学习研究的述评[J]. 计算机工程与应用, 2020, 56(6): 19-27.
[8]	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.
[9]	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.
[10]	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.
[11]	赵童，黄钲，王秀超，李淼，张昀，郑秀娟，刘凯. 心理测试中掩饰行为的识别研究[J]. 计算机工程与应用, 2020, 56(20): 158-164.
[12]	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.
[13]	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.
[14]	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.
[15]	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.