1980年4月Anderson第一次闡述了入侵檢測的概念，指出可以使用審計網(wǎng)絡數(shù)據(jù)的方式判斷非法入侵的發(fā)生[1],。在網(wǎng)絡數(shù)據(jù)的審計中,，沒有一種確定的函數(shù)關(guān)系可以鑒別非法入侵。因此引入機器學習的方法,，作為入侵行為和網(wǎng)絡數(shù)據(jù)特征之間模型進行函數(shù)逼近,。
    機器學習的方法在入侵檢測領域應用廣泛，并有較好的檢測效果。傳統(tǒng)的機器學習算法需要大量的網(wǎng)絡數(shù)據(jù),，而正常的網(wǎng)絡數(shù)據(jù)特征有著小樣本,、高維數(shù)、多變性的特點,。支持向量機（SVM）對小樣本,、高維數(shù)的數(shù)據(jù)有著較好的訓練能力，已經(jīng)被應用于入侵檢測[2],。最小二乘向量機（LSSVM）是SVM中的一種,，相比SVM有著更快的運行速度。LSSVM懲罰因子C和核函數(shù)參數(shù)?滓的選擇使用網(wǎng)格搜索,，耗時且分類精度不高,。而粒子群優(yōu)化（PSO）算法的尋優(yōu)求解能力較為突出，可以利用PSO算法對LSSVM的相應參數(shù)進行選擇[3],。
　PSO算法中一個重要的參數(shù)就是慣性權(quán)重w,。w較大時,全局搜索能力較強;w較小時,局部搜索能力較強?；綪SO算法采用固定w,，搜索的性能和效率不高。參考文獻[4]提出了讓w隨著進化的進行而線性減少的策略,，相應的PSO算法稱為線性權(quán)重下降PSO(LWDPSO)算法,。該PSO算法在提高搜索效率的同時有著早熟收斂、陷于局部最優(yōu)的缺點,。本文提出一種改進的PSO算法,，即并行PSO算法。該算法將粒子群分成兩組[5]進行協(xié)同搜索,，兩組粒子具有不同的w,，其中w較大的粒子組側(cè)重全局搜索；w較小的粒子組側(cè)重在w大的粒子組找到全局最優(yōu)位置的附近區(qū)域進行精細搜索,。每組都有一部分固定的粒子,，其余的粒子根據(jù)進化階段動態(tài)分配給兩組，通過動態(tài)分配粒子保證算法初期以全局搜索為主,，后期以局部搜索為主,。通過適應度函數(shù)的仿真實驗，證明了并行PSO算法的尋優(yōu)性能更優(yōu),。


    選用RBF函數(shù)作為核函數(shù):

2  PSO算法
    PSO算法源于對鳥類覓食行為的模擬,，通過鳥群之間的集體協(xié)作使群體達到最優(yōu)。標準PSO算法初始化產(chǎn)生一群粒子,每個粒子以一定的速度在n維空間里飛行,，飛行速度由個體的飛行經(jīng)歷和群體的飛行經(jīng)歷動態(tài)調(diào)整,。X1=(Xi1,Xi2,…,Xin)是粒子i當前的位置,，V1=(Vi1,Vi2,…,Vin)是粒子當前的速度，P1=(Pi1,Pi2,…,Pin)是粒子i所經(jīng)歷過的最好位置,在這個位置粒子i擁有最佳適應度,。設f(x)為最小化的目標函數(shù),，則粒子i的最好位置由下

3 改進PSO算法
　粒子群進化前期應該以全局搜索為主，搜索整個空間,，但不能放棄局部搜索,，因為全局搜索的粒子速度較快，發(fā)現(xiàn)的位置的范圍雖然廣泛,，但精度不高,，容易錯過全局最優(yōu)位置；進化后期應該以局部搜索為主,，但不能放棄全局搜索,，因為局部搜索雖然精細，但搜索的范圍較小,，無法搜索到較遠的更優(yōu)位置,。
　本文提出一種改進PSO算法，即并行PSO算法,。設粒子的數(shù)量為S,，總進化代數(shù)為G，當前進化代數(shù)為i,。該算法將粒子群分成兩組,，運行PSO算法時慣性權(quán)重w分別設置為0.95和0.4，其中w為0.95的粒子組側(cè)重全局搜索,，w為0.4的粒子組側(cè)重在w為0.95的粒子組找到全局最優(yōu)位置的區(qū)域進行精細搜索,。每組粒子都有一定基本的粒子數(shù)量，均為S/4,。剩余S/2粒子根據(jù)進化階段動態(tài)分配給兩組,，分配給w為0.95的粒子組為S×(G-i)/2G(朝負無窮方向取整);分配給w為0.4的粒子組為S×i)/2G(朝正無窮方向取整)。
　進化初始,，w為0.95的粒子組粒子數(shù)目最多,，達到3S/4，進行全局搜索,，余下的S/4 w為0.4的粒子組對全局搜索到的當前最優(yōu)位置的小范圍區(qū)域進行局部搜索，期望在該區(qū)域中搜索到更優(yōu)位置,；進化后期,，動態(tài)粒子逐漸從w為0.95的粒子組調(diào)整到w為0.4的粒子組，空間已被w為0.95的粒子組多次搜索,，w為0.4的粒子組針對當前最優(yōu)位置的相關(guān)小范圍區(qū)域進行局部搜索,，w為0.95的粒子組在對空間中當前全局最優(yōu)位置的相關(guān)大范圍區(qū)域進行搜索,，不放棄任何尋找到全局最優(yōu)位置的機會。
4 仿真實驗及分析
     使用四種典型的測試函數(shù)[6]: Sphere函數(shù),、 Rastrigrin函數(shù),、Rosenbrock函數(shù)和Griewank函數(shù)作為適應度函數(shù)進行測試。各算法最大進化代數(shù)為500代,，種群規(guī)模為80,優(yōu)化方程的維數(shù)為30,c1,、c2等于2，搜索的空間為[-100,100],。為避免實驗中偶然性現(xiàn)象,，現(xiàn)將PSO三種算法針對這四種函數(shù)同時進行了10次實驗。圖1~圖4分別是四種測試函數(shù)對三種算法的適應度變化與進化代數(shù)比較曲線圖,。表1是三種算法在10次實驗次數(shù)中取得的適應度的平均值,、最大值和最小值。

    基本PSO算法粒子一直進行全局搜索,，沒有進行局部精細搜索,，因此無法找到較優(yōu)位置，適應度值一直較大,尋優(yōu)效果較差,；LWDPSO算法在前期有較好的搜索效果,，但是在中后期收斂之后對最優(yōu)位置的搜索沒有任何突破，早熟的跡象非常明顯,；并行PSO算法有著較好的全局搜索能力以及局部收斂能力,，對最優(yōu)位置的搜索較為穩(wěn)定，避免了局部最優(yōu),，沒有早熟的缺點,，同時搜索到了最優(yōu)位置。同時從表1可以得出：基本PSO算法的尋優(yōu)較差,，得到的適應度遠遠高于其他兩種算法,；LWDPSO算法的尋優(yōu)結(jié)果優(yōu)于基本PSO算法，次于并行PSO算法,；并行PSO算法的尋優(yōu)結(jié)果優(yōu)于基本PSO算法和LWDPSO算法,，實驗得到的適應度平均值、最大值和最小值在三種算法中都是最低的,。

5 基于并行PSO算法的LSSVM建模方法
    將LSSVM的懲罰因子C和δ核參數(shù)映射成粒子,，根據(jù)并行PSO算法進行優(yōu)化選擇，最終使得建立的模型估計值與期望值的逼近程度達到預期目標,。其算法流程如下：
    (1) 并行PSO算法參數(shù)初始化,將粒子群分成兩組,，慣性權(quán)重w分別設置為0.95和0.4。
    (2) 根據(jù)設定的適應度函數(shù),，計算每個粒子的位置,。
    (3) 將粒子的位置與自身最優(yōu)位置進行比較,如果當前位置相應適應度小,，則更新自身最優(yōu)位置。
    (4)比較每個粒子的自身最優(yōu)位置適應度求出全局最優(yōu)位置,。
    (5) 根據(jù)當前進化代數(shù)動態(tài)調(diào)整兩組粒子的數(shù)目,，進行下一代進化。
    (6) 所有進化次數(shù)結(jié)束,，將此時全局最優(yōu)粒子分別映射為懲罰因子C和核參數(shù)?滓,并以此為優(yōu)化結(jié)果,，建立模型。
6  實驗過程及結(jié)果
6.1實驗數(shù)據(jù)預處理
    實驗中采用的數(shù)據(jù)取自1999年DARPA為KDD競賽提供的一個異常檢測的標準數(shù)據(jù)集,，它是由美國麻省理工學院的Liconln實驗室通過模擬一個典型的美國空軍網(wǎng)絡而獲得原始的TCP/IP網(wǎng)絡通信數(shù)據(jù),對于每一個TCP/IP連接,，提取了41個屬性。數(shù)據(jù)中有四種類型的攻擊：未經(jīng)授權(quán)的遠程訪問(R2L),、拒絕服務攻擊(DoS),、對本地超級用戶的非法訪問(U2R)和掃描與探測(Probing)。標識為正常的數(shù)據(jù)占19.6%,攻擊數(shù)據(jù)占80.4%,。
　實驗中的訓練數(shù)據(jù)取自于原始數(shù)據(jù)集中kddcup數(shù)據(jù),，測試數(shù)據(jù)取自于corrected數(shù)據(jù),訓練數(shù)據(jù)和測試數(shù)據(jù)采用等間隔的選取方式。測試數(shù)據(jù)共選取54 220條,，其中正常數(shù)據(jù)12 140條,、攻擊數(shù)據(jù)42 080條,訓練數(shù)據(jù)共33 520條,按類型和間隔平均分成10組，分別使用10組訓練數(shù)據(jù)建立模型對測試數(shù)據(jù)進行測試,，實驗結(jié)果取10次實驗的平均值,。
　實驗中,需要對數(shù)據(jù)進行處理，實驗數(shù)據(jù)的protocol-type,、sevice和flag屬性使用字符串表示,對其進行數(shù)字替換處理,，對屬性中不同的類型使用不同的數(shù)字表示。另外,，必須要對所有屬性進行歸一化處理,，公式為：
  

其中new為歸一化后的數(shù)據(jù)，old為歸一化前數(shù)據(jù),，max為屬性的最大值,，min為屬性的最小值。
6.2 實驗結(jié)果
    網(wǎng)格搜索,、LWDPSO算法和并行PSO算法分別對LSSVM的參數(shù)尋優(yōu),，并建立各自的模型，對測試數(shù)據(jù)集進行了檢測,。實驗結(jié)果如表2所示,。

　從表2可以得出，由于訓練數(shù)據(jù)和測試數(shù)據(jù)采自不同的數(shù)據(jù)集,，網(wǎng)格搜索和LWDPSO算法的檢測率較低,，誤報率和漏報率較高；采用并行PSO算法對LSSVM進行參數(shù)尋優(yōu)所建立的入侵檢測模型檢測率,、誤報率和漏報率都優(yōu)于其他兩種算法參數(shù)尋優(yōu)后所建立的模型,。
   本文給出并分析了基本PSO算法和LWDPSO算法的定義及特點。提出并行PSO算法,將粒子群分成兩組,，分別設置不同的慣性權(quán)重,，慣性權(quán)重大的粒子組側(cè)重全局搜索，慣性權(quán)重小的粒子組側(cè)重在慣性權(quán)重大的粒子組找到全局最優(yōu)位置的附近區(qū)域進行精細搜索,。根據(jù)進化代數(shù)動態(tài)調(diào)整兩組中進化的粒子數(shù),，并給出了每組粒子的數(shù)量調(diào)整公式。通過四個適應度函數(shù)仿真實驗,，證明了并行PSO算法的尋優(yōu)性能優(yōu)于基本PSO算法與LWDPSO算法,。通過入侵檢測實驗測試，并行PSO算法對LSSVM參數(shù)尋優(yōu)后建立的模型可以有效提高入侵檢測的性能指標,。
參考文獻
[1]  ANDERSON J P. Computer sercurity threat monitoring and     surveillance[R]. James PAnderson Co, Fort Washington,  Pennsylvania, Aprial 1980.
[2]  MUKKAMALA S, JANOSKIG I, SUNGA H. Intrusion detection using neural networks and support vector machines[C]. Proc of IEEE International Joint Conference on Neural Networks. Washington DC:IEEE Computer Society,  2002: 1702-1707.
[3]  陳光英,張千里,李星. 特征選擇和SVM訓練模型的聯(lián)合優(yōu)化[J]. 清華大學學報(自然科學版),2004,44(1);9-12.
[4]  SHI Y, EBERHART R. A modified particle swarm optimizer[C]. IEEE World Congress on Computational Intelligence. Piscataway:IEEE Press,1998:69-73.
[5]  龍文,，梁昔明，肖金紅,，等.一種動態(tài)分級的混合粒子群優(yōu)化算法[J].控制與決策.2009,24(6):1406-1411.
[6]  CLERC M, KENNEDY J. The particle swarm: explosion, stability, and convergence in multi-dimension complex space[J]. IEEE Transactions on Evolutionary Computation,  2002,16(1):58-73.