【正文】 據(jù)集的訓(xùn)練集中隨機(jī)抽取1000個(gè)樣本作為訓(xùn)練數(shù)據(jù)，其中包括入侵?jǐn)?shù)據(jù)195個(gè)，而這其中又包括四大類攻擊共11種，具體為Dos 類型攻擊有ueptne攻擊40個(gè)、smurf攻擊90個(gè)、back攻擊6個(gè)、 probing類型攻擊有ipsweep攻擊10個(gè)、portsweep攻擊10個(gè)、satan攻擊15個(gè)，U2R類型攻擊有buffer_overflow攻擊4個(gè)、rootkit攻擊4個(gè)，R2L攻擊有waremster攻擊4個(gè)、Guess_passwd攻擊6個(gè)、warezlient攻擊6個(gè)。從10%數(shù)據(jù)集的訓(xùn)練集中隨機(jī)抽樣800個(gè)，分別作為測(cè)試數(shù)據(jù)，其中包含100個(gè)已知攻擊，為驗(yàn)證算法對(duì)未知攻擊的檢測(cè)效果，加入100個(gè)未知攻擊。 為了檢驗(yàn)本設(shè)計(jì)所采用的算法對(duì)未知攻擊的檢測(cè)能力，在測(cè)試數(shù)據(jù)集中加訓(xùn)練集中沒有的攻擊類型，分為4大類，共10種，其中Dos攻擊有teardrop10個(gè)、pod20個(gè)、land5個(gè)、probing攻擊有nmap10個(gè)，U2R攻擊有l(wèi)oadmoudule2個(gè)、perl2個(gè)，R2L攻擊有spy2個(gè)、phf2個(gè)、imap5個(gè)、multihop2個(gè)、ftp_write2個(gè)，測(cè)試集數(shù)據(jù)共包含攻擊類型21種。 算法評(píng)價(jià)標(biāo)準(zhǔn)入侵檢測(cè)系統(tǒng)的性能評(píng)價(jià)指標(biāo)主要有兩個(gè)：檢驗(yàn)率和誤警率。其中， 數(shù)據(jù)預(yù)處理 對(duì)原始數(shù)據(jù)集應(yīng)用鄰域粗糙集算法進(jìn)行屬性約簡，半徑的不同將導(dǎo)致分類精度的差異，因此在這需要設(shè)置鄰域粗糙集的半徑，，對(duì)于鄰域半徑每一個(gè)取值，算法都得到一個(gè)屬性子集，共獲得100個(gè)屬性子集。 仿真實(shí)驗(yàn) 實(shí)驗(yàn)步驟為了研究算法的穩(wěn)定性，實(shí)驗(yàn)重復(fù)100次，取其平均值最為實(shí)驗(yàn)結(jié)果。其中：算法1：直接采用SVM進(jìn)行分類（該算法中SVM參數(shù)隨機(jī)生成）；算法2：首先應(yīng)用鄰域粗糙集進(jìn)行屬性約簡，然后利用SVM進(jìn)行分類（算法中SVM參數(shù)隨機(jī)產(chǎn)生）；算法3：先采鄰域粗糙集進(jìn)行屬性約簡，再采用用和聲搜索算法對(duì)SVM的參數(shù)c和φ進(jìn)行優(yōu)化，最后利用SVM分類（該算法中SVM參數(shù)隨機(jī)產(chǎn)生）；本文算法：首先采用鄰域粗糙集對(duì)檢測(cè)數(shù)據(jù)進(jìn)行屬性約簡，然后使用和聲搜索算法優(yōu)化支持向量機(jī)的兩個(gè)參數(shù)，最后利用SVM進(jìn)行分類。 實(shí)驗(yàn)結(jié)論及分析I)鄰域粗糙集半徑與入侵檢測(cè)精度 在算法 3 與本文算法中，半徑的不同會(huì)導(dǎo)致分類精度的差異，因此需要設(shè)置鄰域粗糙集的半徑， 到1 之間， 為步長的方式取值，對(duì)于鄰域半徑每一個(gè)取值，算法都得到一個(gè)屬性子集，共獲得100 個(gè)屬性子集。、誤警率與鄰域半徑之間的關(guān)系。 之間的時(shí)候，其入侵檢測(cè)率保持在81%左右， 之間時(shí)，檢測(cè)率有大幅提高，大概在92%左右，說明鄰域半徑對(duì)檢測(cè)率的影響是較大的。 看到， 之間的時(shí)候，其誤警率基本保持在2%左右， ，誤警率會(huì)大幅增加。圖6 鄰域粗糙集半徑與入侵檢測(cè)率關(guān)系 圖7 鄰域粗糙集半徑與入侵誤警率關(guān)系綜合以上分析可得， 之間的時(shí)候，其檢測(cè)率較高，同時(shí)誤警率達(dá)到較低的狀態(tài)，這為鄰域粗糙集的使用提供一定借鑒。II)不同算法的檢測(cè)精度比較 和聲搜索的參數(shù)設(shè)置如下：c1 ，c2 ，最大進(jìn)化代數(shù)為200，種群規(guī)模為20，k ，速率更新公式中速度前面的彈性系數(shù)為1，種群更新公式中速度前面的彈性系數(shù)為1，SVM Cross Validation 參數(shù)為3， SVM 參數(shù)c 的變化范圍為[,100], SVM 參數(shù)δ 的變化范圍為[,1000]。 表 給出了4 中不同算法的試驗(yàn)結(jié)果?？梢钥吹剑疚乃惴ǖ臋z測(cè)率平均值與最優(yōu)值是三種算法中最高的，同時(shí)誤警率是最低的。算法2 采用了粗糙集對(duì)數(shù)據(jù)集進(jìn)行了屬性約簡，使得檢測(cè)率相對(duì)算法1 提高約3%左右，說明通過屬性約簡可以剔除部分噪聲和冗余屬性，提高入侵檢測(cè)效果；算法3 檢測(cè)率相對(duì)算法2 提高約4%左右，說明了鄰域粗糙集直接對(duì)連續(xù)型數(shù)據(jù)進(jìn)行處理，避免傳統(tǒng)粗糙集離散化過程中帶來的信息損失，入侵檢測(cè)效果進(jìn)一步提高； 當(dāng)SVM 參數(shù)C =,σ = ，鄰域粗糙集半徑取 ，%，%，其檢測(cè)性能優(yōu)于其他算法，主要是SVM參數(shù)的選擇對(duì)于增強(qiáng)分類器的泛化性能具有很大的影響，最終導(dǎo)致檢測(cè)性能的大幅提高。 表5. 2 給出4 種算法在已知、未知攻擊上的檢測(cè)率。我們發(fā)現(xiàn)本文算法對(duì)已知攻擊和未知攻擊檢測(cè)上都有大幅度的提高，充分說明了該算法對(duì)未知攻擊檢測(cè)的有效性，算法具有較強(qiáng)的泛化性能和魯棒性。分類器數(shù)據(jù)集檢測(cè)率(%)誤警率(%)SVMData1Data2算法數(shù)據(jù)集檢測(cè)率(%)誤警率(%)NRS+SVMData3Data4分類器數(shù)據(jù)集檢測(cè)率(%)誤警率(%)NRS+HS+SVMData3Data4表1 算法算法算法3 與本文算法的實(shí)驗(yàn)結(jié)果算法 1算法 2算法 3本文算法平均值最優(yōu)值平均值最優(yōu)值平均值最優(yōu)值平均值最優(yōu)值檢測(cè)率（%）92，27誤警率（%） 表2 不同算法對(duì)已知、未知攻擊的平均檢測(cè)率攻擊類型已知攻擊（%）未知攻擊（%）算法 1算法 2算法 3本文算法算法 1算法 2算法 3本文算法DoSProbingU2RR2LIII)穩(wěn)定性分析 圖 8 三種不同算法的穩(wěn)定性與精度比較 圖 顯示了4 種不同算法的穩(wěn)定性。可以清楚的看出說明本文算法在穩(wěn)定性以及精確率兩方面都遠(yuǎn)優(yōu)于其他算法，具有更好的泛化性能和魯棒性。 實(shí)驗(yàn)結(jié)論入侵檢測(cè)數(shù)據(jù)常常具有噪聲和冗余屬性，而且一些屬性數(shù)據(jù)常常具有連續(xù)性，連續(xù)屬性離散化過程中會(huì)帶來的信息損失，為了克服此缺陷，本設(shè)計(jì)使用鄰域粗糙集模型對(duì)數(shù)據(jù)進(jìn)行屬性約簡，并使用和聲搜索算法優(yōu)化支持向量機(jī)核函數(shù)參數(shù)和懲罰參數(shù)，在KDD99數(shù)據(jù)集上的仿真實(shí)驗(yàn)結(jié)果表明本文算法不但可以進(jìn)一步提高入侵檢測(cè)率而且同時(shí)降低誤警率，該算法具有較強(qiáng)的泛化性能和魯棒性。致 謝首先，要衷心感謝此次指導(dǎo)我畢業(yè)設(shè)計(jì)的趙暉老師，趙老師年輕有為，學(xué)識(shí)淵博，治學(xué)嚴(yán)謹(jǐn)，見解獨(dú)到。我的畢業(yè)設(shè)計(jì)正是在趙老師的悉心指導(dǎo)下才得以完成。非常感謝趙老師四年來對(duì)我的指導(dǎo)和照顧，老師對(duì)學(xué)術(shù)嚴(yán)苛的態(tài)度、卓越超前的學(xué)術(shù)思想、精益求精的科研精神和率為人師的學(xué)者風(fēng)范，無不令人折服，使人欽佩。同時(shí)，我也很感謝四年來教授我課程的任課老師們，感謝你們無私的奉獻(xiàn)和對(duì)我們的親切關(guān)愛，你們那如春風(fēng)細(xì)雨般的言傳身教，必將帶給我們無盡的人生財(cái)富，必將成為我們?nèi)松凶钍芙痰牧佳浴Ｆ浯?，我要感謝與我共同走過四年大學(xué)生活的宿舍朋友們，以及其他各位班內(nèi)同學(xué)。是你們讓我的大學(xué)生活色彩斑斕，是你們讓我有了敢于面對(duì)困難的勇氣和果敢，是你們讓我在大學(xué)四年中得到了快速的成長。此外，我還要感謝數(shù)計(jì)學(xué)院以及其他各學(xué)院的同學(xué)，正是有了你們才讓我的友誼之樹枝繁葉茂，正是有了你們才讓我領(lǐng)略到了不同學(xué)科的風(fēng)采，正是有了你們才讓我對(duì)陜西理工學(xué)院感情深厚。同時(shí)，我非常感謝我的父母，正是你們默默無聞的無私奉獻(xiàn)和遼遠(yuǎn)深曠的天地博愛才讓我順利完成了本科階段的學(xué)習(xí)，你們是世間最可愛的人、最值得尊敬的人！愿你們永泰安寧，福源綿長。最后，我要感謝陜西理工學(xué)院，感謝你為我提供了一個(gè)增長知識(shí)、廣交朋友和認(rèn)識(shí)社會(huì)的良好平臺(tái)。希望陜西理工學(xué)院的學(xué)子都允公允能、奉獻(xiàn)社會(huì)，祝愿陜西理工學(xué)院各項(xiàng)事業(yè)蒸蒸日上、日新月異，向著建設(shè)省內(nèi)外知名研究型大學(xué)的目標(biāo)闊步前進(jìn)。最后感謝評(píng)審專家與答辯委員會(huì)的各位老師，感謝你們對(duì)我的畢業(yè)論文提出的寶貴意見。祝愿所有關(guān)心、支持和幫助過我的家人、老師們和同學(xué)們身體健康、工作順利、捷報(bào)頻傳。參考文獻(xiàn)[1] A .D Sanchez. Advanced support vector machines and kernel methods[J].Neuro , 55(1):15 20. [2] [J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2011(05):259263. [3] [J].(1):4649. [4] [J].(2):5761.[5] Fukuyama Y. Fundamentals of particle swarm techniques [A] . Mo dernHeuristic Optimization Techniques With Applications to Power Systems [M]. IEEE Power Engineering Society, 2002. 45~ 51.[6]劉潔. 基于支持向量機(jī)的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)研究[D].中南大學(xué),2008.[7] 趙暉. 基于聚類分析的入侵檢測(cè)算法研究[D].西北大學(xué),2011. [8] 趙暉. 融合鄰域粗糙集與和聲搜索優(yōu)化的網(wǎng)絡(luò)入侵檢測(cè)[J]. 計(jì)算機(jī)工程與應(yīng)用,2013,18:7377+93.[9] 饒鮮,董春曦,楊紹全. 基于支持向量機(jī)的入侵檢測(cè)系統(tǒng)[J]. 軟件學(xué)報(bào),2003,04:798803.[10] 凌永發(fā),解季萍. 支持向量機(jī)在入侵檢測(cè)系統(tǒng)中的應(yīng)用[J]. 電力自動(dòng)化設(shè)備,2005,08:5962. [11] 李明. 改進(jìn)的支持向量機(jī)算法及其在入侵檢測(cè)中的應(yīng)用[J]. 科技資訊,2009,13:1819+21.[12] 羅敏,張煥國,王麗娜. 基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)入侵檢測(cè)技術(shù):研究綜述[J]. 計(jì)算機(jī)科學(xué),2003,02:105107+117.[13] 張琨,曹宏鑫,嚴(yán)悍等. 支持向量機(jī)在網(wǎng)絡(luò)異常入侵檢測(cè)中的應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用研究,2006,05:98100.[14] SHAO Xinguang, YANG Huizhong, CHEN Gang. Parameters selection and application of support vector machines based on particle swarm optimization algorithm [J].Control Theory and Applications, 2006, 23( 5 ) : 740 743.[15]張義榮,鮮明,[J].計(jì)算機(jī)科學(xué)2006,33(6):6468.[16]胡清華,于達(dá)仁,[J].軟件學(xué)報(bào)2008,15(3):121125. [17]胡清華, 趙輝,[J].模式識(shí)別與人工智能,2008,21(6):8995. [18]Hu Q H,Yu D R,Liu J F, rough set based heterogeneous feature subset selection[J]. Information , 178(18):35773594.[19] [D]. 上海交通大學(xué),碩士論文[20] [D].中山大學(xué),碩士論文,2009.