【正文】 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[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.。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。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)。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。其次，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)。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。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。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。我們發(fā)現(xiàn)本文算法對(duì)已知攻擊和未知攻擊檢測上都有大幅度的提高，充分說明了該算法對(duì)未知攻擊檢測的有效性，算法具有較強(qiáng)的泛化性能和魯棒性。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，提高入侵檢測效果；算法3 檢測率相對(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)致檢測性能的大幅提高。 表 給出了4 中不同算法的試驗(yàn)結(jié)果。圖6 鄰域粗糙集半徑與入侵檢測率關(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。 之間的時(shí)候，其入侵檢測率保持在81%左右， 之間時(shí)，檢測率有大幅提高，大概在92%左右，說明鄰域半徑對(duì)檢測率的影響是較大的。 實(shí)驗(yàn)結(jié)論及分析I)鄰域粗糙集半徑與入侵檢測精度 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。 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。 算法評(píng)價(jià)標(biāo)準(zhǔn)入侵檢測系統(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。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)未知攻擊的檢測效果，加入100個(gè)未知攻擊。 具體而言，本文選取KDD CUP 99 數(shù)據(jù)集中的10%數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)集。 KDD99(Knowledge Discovery Databases)的數(shù)據(jù)是本設(shè)計(jì)所采用的實(shí)驗(yàn)數(shù)據(jù)，這批數(shù)據(jù)最早來源于時(shí)Wenke Lee等人在1998年美國國防部研究局(DARPA)作IDS評(píng)測時(shí)所獲得數(shù)據(jù)基礎(chǔ)上恢復(fù)出來的鏈接信息，這批數(shù)據(jù)包含7周的網(wǎng)絡(luò)流量，約5000000條記錄，其中包含大量的正常網(wǎng)絡(luò)數(shù)據(jù)流和各種攻擊。這種方法與選舉中的投票過程類似，即利用單個(gè)分類器對(duì)給定測試樣本的輸出類別，將該測試樣本劃分到多數(shù)分類器具有相同決策的一類。利用Bagging技術(shù)產(chǎn)生的每個(gè)bootstrap訓(xùn)練子集，因?yàn)榇嬖诖罅吭肼暭叭哂鄬傩?，進(jìn)行屬性約簡時(shí)使用具有不同半徑的鄰域粗糙集，不僅可以剔除噪聲和冗余屬性，使獲得的分類器具有較高的精度；而且使用具有不同半徑的鄰域粗糙集對(duì)bootstrap訓(xùn)練子集進(jìn)行約簡，相當(dāng)于將訓(xùn)練子集映射到不同的特征空間，由此進(jìn)一步擴(kuò)大了訓(xùn)練子集的差異性，從而使得最終獲得的分類器具有較高的精度和較大的差異性。這樣原訓(xùn)練集中一些樣本可能一次也不出現(xiàn)，而另外某些樣本可能在新的訓(xùn)練子集中出現(xiàn)多次。否則，算法轉(zhuǎn)到步驟4繼續(xù)執(zhí)行。步驟6 判斷算法是否終止。步驟5 更新和聲記憶庫。步驟4 生成新的和聲。步驟3 計(jì)算初始和聲庫中的各個(gè)體適應(yīng)度值。步驟2 初始化和聲庫。基于HS算法SVM參數(shù)尋優(yōu)具體步驟為：步驟1 參數(shù)設(shè)置。RBF核的寬度的參數(shù)是核參數(shù) ，隱含地改變映射函數(shù)是其改變實(shí)質(zhì)，從而樣本特征子空間分布的復(fù)雜程度得以改變。此時(shí)，懲罰參數(shù)和RBF核參數(shù)是影響SVM性能的主要參數(shù)。應(yīng)用最廣泛的核是徑向基核（RBF），即，不管是對(duì)小樣本或是大樣本等問題，無論是在低維還是在高維空間，RBF核函數(shù)均適用，并且皆具有較寬的收斂域，是較為理想的分類核函數(shù)。具體操作如下： () Step5: 檢查是否達(dá)到算法終止條件重復(fù)步驟Step3 和Step4，直到創(chuàng)作(迭代)次數(shù)達(dá)到為止。其次，如果新的和聲來自于和聲記憶庫HM，要對(duì)其進(jìn)行音調(diào)微調(diào)，具體操作如下： () 其中，音調(diào)微調(diào)帶寬為，音調(diào)微調(diào)概率為；表示[0,1]上均勻分布的隨機(jī)數(shù)。新解的第一個(gè)變量 有的概率選自HM中的任意一值，有的概率選自外（且在變量范圍內(nèi)）的任何一個(gè)值。Step 2 初始化和聲記憶庫隨機(jī)生成個(gè)和聲放入和聲記憶庫。算法通過模擬樂師們反復(fù)調(diào)整各種樂器的音調(diào)直到生成一個(gè)美妙和聲的過程，把該過程類比為優(yōu)化問題的求解過程，將樂器 類比為優(yōu)化問題中第個(gè)決策變量，樂器產(chǎn)生的和聲則相當(dāng)于優(yōu)化問題的第個(gè)解向量，對(duì)和聲的評(píng)價(jià)即為優(yōu)化問題的目標(biāo)函數(shù)值[1011]。通過實(shí)驗(yàn)的方式來確定核函數(shù)并進(jìn)性參數(shù)選擇，由于使用交叉驗(yàn)證和網(wǎng)絡(luò)搜索非常消耗時(shí)間，而RBF核函數(shù)無論是低維、高維、小樣本、大樣本等情況均適用且有較寬的收斂域，所以從實(shí)踐上選用RBF核函數(shù)更容易一些[9]。的值影響到對(duì)樣本中“離群點(diǎn)”（噪聲影響下非正常數(shù)據(jù)點(diǎn)）的處理，選取合適的就能在一定長度上提高抗干擾能力，從而保證模型的問穩(wěn)定性。其中，懲罰系數(shù)反映了算法對(duì)離群樣本數(shù)據(jù)的懲罰程度，其值影響模型的復(fù)雜性和穩(wěn)定性。 算法結(jié)束 基于和聲搜索算法的支持向量機(jī)參數(shù)選擇 支持向量機(jī)中核函數(shù)的選擇SVM中不同的內(nèi)積核函數(shù)將形成不同的算法，選擇不同的核函數(shù)以及核函數(shù)的參數(shù)對(duì)SVM的分類效果影響很大。設(shè)，則屬性的重要度定義為：，那么有以下鄰域粗糙集屬性約簡算法： 輸入： NDT =S, A = G ∪D,V, f and neighbourhoodδ //δis the threshold to control the size of the neighbourhood 輸出：red；//屬性子集，即G的約簡 （1） ?a∈G :pute neighbourhood relation N (2) red=Φ。設(shè)表示維屬性空間中的兩個(gè)樣本，表示樣本在第維屬性的值，則Minkowsky距離可定義為：，當(dāng)，則稱之為Manhattan距離；，則稱之為Euclidean距離；，則稱之為Chebychev距離。 如果且，樣本在子屬性空間中的鄰域記為，則，其中是一個(gè)預(yù)設(shè)的閾值，是在子屬性空間中的一個(gè)測度函數(shù)。是一個(gè)輸出特征變量，稱其為決策屬性，表示所屬樣本的標(biāo)記。鄰域決策系統(tǒng),其中是一個(gè)樣本集合，稱其為一個(gè)樣本空間。鄰域粗糙集[8]是胡清華教授在經(jīng)典粗糙集理論的基礎(chǔ)上改進(jìn)的，可以直接處理連續(xù)型數(shù)據(jù)的方法，它不需要對(duì)連續(xù)型數(shù)據(jù)進(jìn)行離散化處理，直接用于知識(shí)約簡。 粗糙集[6]是1982年由波蘭數(shù)學(xué)家Pawlak提出的一種有效解決不完整、不精確信息的數(shù)學(xué)分析工具，該方法可以無任何先驗(yàn)信息，僅使用數(shù)據(jù)本身的內(nèi)在信息的條件下從中發(fā)現(xiàn)隱含知識(shí)，并揭示其潛在規(guī)律, 對(duì)不完整不精確的數(shù)據(jù)進(jìn)行卓有成效的處理。 數(shù)據(jù)預(yù)處理——屬性約簡算法 高維大樣本是入侵檢測數(shù)據(jù)基本特征，這就使得機(jī)器學(xué)習(xí)過程中有如下