一种基于改进黑猩猩优化算法的BP神经网络入侵检测方法

本发明涉及网络入侵检测，具体为一种基于改进黑猩猩优化算法的bp神经网络入侵检测方法。

背景技术：

1、针对日益严峻的网络安全问题，单纯依赖网络防火墙和用户认证系统等被动防御技术已无法完全解决网络与信息的安全挑战。入侵检测技术作为一种主动防御手段，能够持续监控网络中的计算机和网络行为，不仅能监控来自网络外部的恶意行为，还能检测网络系统内部的未经授权和恶意行为。通过特定的技术手段，入侵检测技术收集网络日志，监听网络通信，并对这些日志和数据包进行分析，从而检测网络中是否存在可能破坏网络通信的恶意行为。

2、网络入侵检测的挑战主要是检测速度慢、自主学习能力较差、误报率和漏报率高这三种情况，提高检测速度和准确性是重点研究问题。神经网络算法具有自适应、自组织、自学习、泛化能力强以及能够进行大规模计算等优点，因此适合当前复杂多变的入侵检测环境，bp神经网络较传统入侵检测能够取得较好的效果，但bp神经网络存在初始值随机性较大以及易陷入局部最优的缺点，因此我们提出了一种基于改进黑猩猩优化算法的bp神经网络入侵检测方法来解决上述问题。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本发明提供了一种基于改进黑猩猩优化算法的bp神经网络入侵检测方法，解决了上述背景技术中所提出的问题。

3、(二)技术方案

4、本发明为了实现上述目的具体采用以下技术方案：

5、一种基于改进黑猩猩优化算法的bp神经网络入侵检测方法，包括以下步骤：

6、s1：构建bp神经网络，确定bp神经网络的输入层、隐含层、输出层的节点数；

7、s2：将bp神经网络的原始阈值和原始权值作为黑猩猩优化算法的初始种群位置进行寻优，得到bp神经网络最优初始阈值和最优初始权值；

8、s3：将历史网络数据进行数据预处理，将数据归一化后得到网络数据构建训练样本集合，利用训练样本集合对包含最优初始阈值和最优初始权值的bp神经网络进行训练，通过准确率和召回率对bp神经网络进行评估，重复迭代直至准确率和召回率大于设定阈值d1获得网络入侵检测模型，从而得到最优网络入侵检测模型；

9、s4：将采集的实时网络数据经过预处理后得到测试数据，然后输入至预训练的网络入侵检测模型中获得网络入侵检测结果。

10、进一步地，所述s1中的bp神经网络的输入层节点数设定为45；bp神经网络的隐含层的节点数设定为100；bp神经网络的输出层的节点数设定为1。

11、进一步地，所述s2中的bp神经网络的原始阈值和原始权值作为黑猩猩优化算法的初始种群位置进行寻优，得到bp神经网络的最优初始阈值和最优初始权值的方法包括：

12、将bp神经网络的原始权重作为改进后的黑猩猩优化算法的初始种群位置，并使用piecewise映射和自适应因子对黑猩猩优化算法进行优化；

13、每个黑猩猩种群包括：攻击者、阻碍者、追逐者和驱赶者，其中，攻击者为种群中的最优解，其他依次为次优解，利用自适应因子对其进行位置更新，设计更新后的最优解位置作为更新规则，以bp神经网络的准确率作为适应度值对初始位置进行寻优，得到bp神经网络的最优初始阈值和最优初始权值；

14、采用logistic映射进行黑猩猩种群初始化，其公式如下：

15、zk+1＝μzk(1-zk)

16、其中，

17、采用piecewise映射生成m因子，强化黑猩猩群体社会动机，避免陷入局部最优，其数学模型如下：

18、

19、其中，p∈(0,1)为控制参数；xk∈(0,1)；

20、由于黑猩猩群体中的其他黑猩猩是根据当前攻击者、阻碍者、追逐者和驱赶者的位置来更新其位置，标准的黑猩猩算法容易陷入局部最优，所以引入自适应因子进行位置更新；其公式如下：

21、

22、fh＝fa+fb+fc+fd

23、式中，fa、fb、fc、fd分别为攻击者、阻碍者、追逐者和驱赶者当前的适用度。

24、进一步地，所述s3中获取历史网络数据构建训练样本集合的方法包括：

25、获取历史网络数据；对历史网络数据进行归一化处理获得训练样本，将各个训练样本构建为训练样本集合；

26、利用训练样本集合对包含最优初始阈值和最优初始权值的bp神经网络进行训练，通过准确率和召回率对bp神经网络进行评估，重复迭代直至召回率大于设定阈值d1获得网络入侵检测模型方法包括如下步骤：

27、ⅰ：将训练样本输入至bp神经网络，通过前向传播训练样本从输入层传递到输出层，由输出层输出检测结果；基于训练样本的检测结果和对应期望结果计算检测误差；根据检测误差对bp神经网络进行反向传播更新权重和偏置，重复迭代直至到达设定阈值d2输出训练后的bp神经网络；

28、ⅱ：利用训练样本子集合对训练后的bp神经网络进行测试，通过准确率和召回率对bp神经网络进行评估，输出召回率大于设定阈值d1的bp神经网络作为网络入侵检测模型；否则，跳转至步骤ⅰ。

29、进一步地，所述s4的具体过程包括以下内容：通过前向传播训练样本从输入层传递至输出层，由输出层输出检测结果的方法包括：

30、z(1)＝w(1)·a(1.1)+b(1)

31、a(1)＝σ(z(1))

32、式中，a(1.1)为bp神经网络的第1.1层输出结果，a(1)为第1层输出结果，w(1)为第一层权重矩阵，b(1)为第一层偏置向量，σ(·)为激活函数；

33、bp神经网络第一层为输入层，第二层为隐含层，第三层为输出层，由输出层的输出结果作为bp神经网络的检测结果；

34、基于训练样本的检测结果和对应期望结果计算检测误差的方法包括：

35、

36、式中，dj为bp神经网络对第j个样本检测的期望结果，vj为bp神经网络对第j个样本检测的检测结果，j为输出层神经元数量，j为输出层神经元序号；

37、工作信号正向传播调整隐含层与输出层之间的权重ωij和阈值θi；误差信号反向传播调整输入层与隐含层之间的权值ωmi和阈值bi，权值和阈值修正量分别为：

38、δωij＝μejg′(uj)vi,δθi＝μδi

39、δωmi＝μδivm,δbi＝μδi

40、其中，μ为神经网络学习率；

41、根据检测误差对bp神经网络进行反向传播更新权重和偏置的方法包括：

42、计算bp网络中第1.1层的梯度，表达式为：

43、

44、

45、

46、σ′(z(1))＝σ(z(1))·(1-σ(z(1)))

47、式中，e表示为bp神经网络的检测误差；σ(·)为激活函数；δ(m)表示为bp神经网络中第1.1层的梯度；(·)τ表示为矩阵的转置；

48、通过反向传播逐层计算bp神经网络中各层的误差和梯度更新bp神经网络的权重和偏置。

49、(三)有益效果

50、与现有技术相比，本发明提供了一种基于改进黑猩猩优化算法的bp神经网络入侵检测方法，具备以下有益效果：

51、本发明通过将bp神经网络的原始阈值和原始权值作为改进后的黑猩猩优化算法的初始种群位置进行寻优，得到bp神经网络的最优初始阈值和最优初始权值，利用训练样本集合对包含最优初始阈值和最优初始权值的bp神经网络进行训练，通过准确率和召回率对bp神经网络进行评估，重复迭代直至召回率大于设定阈值d1获得网络入侵检测模型等过程，可以提高网络入侵检测准确率，降低网络入侵检测模型的漏报率和误报率。