基于蜂群算法的网络入侵检测模型优化

基于网络入侵检测的蜂群算法优化模式是一个用于网络入侵检测开发的专用编程接口．基于该编程接口,在Linux平台上设计和实现了一个复杂的入侵检测系统．基于网络入侵检测的蜂群算法与差分进化算法（DE）混合,采取数据信息处理模式,可以按照双群结构的要求,进行数据信息独立分析,从而能够产生数据信息交换功能．通过分布式技术对蜂群进行空间分析,通过空间信息搜索工具,保证学习策略功能能够完成．从仿真实验看提高种群解的质量．设计了一种简单入侵检测模式的描述语言,对入侵检测的特征数据库进行优化,对网络异常行为进行入侵检测．     

蜂群算法在网络入侵检测模式中优化研究

基于网络入侵检测的蜂群算法优化模式是一个用于网络入侵检测开发的专用编程接口.基于该编程接口,本文在Linux平台上设计和实现了一个复杂的入侵检测系统.基于网络入侵检测的蜂群算法与差分进化算法（DE）混合,采用双种群结构,两种独立进化,在适当的时候两种群之间进行信息交换,从而在维持种群多样性的同时加速进化过程.为了使初始种群尽可能均匀分布在搜索空间,采用了基于方向学习的策略来初始化种群,从仿真实验看提高种群解的质量.设计了一种简单入侵检测模式的描述语言,对入侵检测的特征数据库进行优化,对网络异常行为进行入侵检测.     

函数优化的蜂群算法

基于蜂群觅食的特点提出一种蜂群算法.在优化过程中,每个个体的寻优策略由其以往的寻优经验和整个群体共享的信息决定;通过定义个体的调整系数和个体与群体间的差异系数实现算法全局探索和局部开发能力的平衡;给出了算法的实现步骤,并利用压缩映射定理分析了算法的收敛性.通过典型的基准函数测试算法的性能,实验结果表明了算法的优越性.     

网络安全中入侵检测算法研究

伴随网络技术的迅猛发展,世界走向移动互联时代,网络安全的地位愈发不可小觑,作为网络安全的核心技术之一,笔者就入侵检测系统中的算法进行了一系列的研究,在文中概述了传统及新兴的检测算法,并对入侵检测系统的发展要点进行了分析。     

蜂群算法优化性能综合测试研究

对蜂群算法的性能进行全面的测试和研究,实验分析了维数和粒子数对算法的影响,侦察蜂的活动对算法的影响以及初始解的位置对算法的影响。同时受遗传算法的启发,将典型的选择机制应用到蜂群算法并对其进行改进,并比较不同选择机制下蜂群算法的性能。实验结果表明,在粒子数为40,维数为10或者30,均匀分布初始解的位置,采用确定式选择法和无放回余数选择法代替蜂群算法中轮盘赌的选择方法的条件下,蜂群算法得到整体最好的优化结果。     

改进的人工蜂群优化支持向量机算法在入侵检测中的应用

针对基于传统的参数优化算法在优化过程中会不同程度地陷入局部最优解的问题,在人工蜂群ABC(Artificial Bee Colony)算法的基础上提出基于交叉突变人工蜂群CMABC(Crossover Mutation ABC)算法的支持向量机SVM参数优化方法,并将其应用于入侵检测。通过引入交叉突变算子对人工蜂群算法进行改进,根据适应度值的优劣将蜂群进行划分,有效地避免了陷入局部最优,提高了收敛速度。利用标准测试函数验证了算法的有效性,并采用NSL-KDD入侵检测数据集进行仿真实验,验证了该方法的有效性。实验结果表明,该方法能有效提高入侵检测的分类性能。     

垃圾收运路线问题的蜂群优化算法研究

整个垃圾处理系统中城市生活垃圾收运费用占很大比例,通过研究垃圾收运路线问题,可以有效节约成本,提高作业效率.根据城市生活垃圾收运系统的特点,采用带中转站的垃圾收运问题的标准数学模型.在分析蜂群优化算法理论的基础上,针对问题的特点,研究了蜂群优化算法求解的具体步骤,并通过实例仿真,证明了蜂群优化算法在解决带中转站的垃圾收运问题上的可行性和有效性.最后通过与蚁群算法对比,进一步说明了蜂群优化算法在解决问题的优越性.     

蜂群—蚁群自适应优化算法*

为了解决蚁群算法在求解连续函数优化问题时,存在局部搜索能力较差的缺陷,提出一种新颖的自适应蜂群—蚁群优化算法。新算法在蚁群优化算法的基础上,设计了一种参数q的自适应机制,进而减少了参数个数,提高了其鲁棒性;根据蜂群算法基本思想,利用雇佣蜂和观察蜂设计了高效的局部搜索算子,从而提升了算法的局部能力。针对五个标准测试函数的仿真实验结果表明:与蚁群优化算法相比,新算法的全局和局部寻优能力均得到了极大的提升。     

蜂群算法研究综述*

蜂群算法是一种模仿蜜蜂繁殖、采蜜等行为的新兴的群智能优化技术,近几年备受研究者关注。初步探讨了蜂群算法的理论基础,详细论述了基于蜜蜂繁殖行为和采蜜行为的两类蜂群算法的生物学机理及其最常见算法的应用研究情况,并分析比较了遗传算法、蚁群算法、粒子群算法和蜂群算法的优缺点、适用范围及性能。最后,总结了现有蜂群算法存在的问题,并指出其未来的研究方向。     

基于贝叶斯优化算法的入侵检测技术研究

针对目前的入侵检测技术误警率和漏警率较高,提出了一个优化的贝叶斯算法,通过引入滑动窗口技术改善入侵检测的实时性。该文利用贝叶斯优化算法对对Probe、DoS、U2R、R2L测试集进行实验仿真比较,结果表明：该算法能很好完成入侵检测分类：该算法能提高入侵检测正确率。     

基于蜂群算法的图像边缘检测*

提出了一种基于蜂群算法的图像边缘检测方法。利用蜂群算法的特点,对图像边界进行快速搜索,得到一组局部最优点,然后分别从局部最优点开始进行搜索,找出图像中各物体的边缘点,所有蜜蜂找出的边界点的并集就是图像边缘。仿真实验表明该算法是可行和有效的。     

基于改进蜂群算法的视频目标检测方法

本文提出一种基于改进蜂群算法的视频目标检测方法,首先对两幅图像进行优化获得最大互信息值,进而获得最佳空间匹配参数,最后通过三帧差分法检测出目标。该算法相对传统算法,能够抑制背景残留噪声,而且不需要对图像进行预处理、特征选取以及背景更新,降低了算法复杂度。通过与传统蜂群算法的结果对比,证明了改进算法的有效性和可靠性。     

基于人工蜂群算法的分布式入侵攻击检测系统

针对网络入侵攻击检测系统检测准确率与计算效率较低的问题,提出一种基于人工蜂群算法的分布式入侵攻击检测系统。将训练集划分为若干的子集,使用特征选择方法提取特征集中类内相关性高、类外相关性低的特征;对人工蜂群算法进行修改,通过引入全局搜索能力强的算法提高人工蜂群算法的性能;根据优化的特征子集与规则集对网络入侵攻击行为进行分类处理。基于网络入侵数据集的实验结果表明,该系统实现了较高的检测性能和计算效率。     

基于人工蜂群算法的双门限CRN网络攻击检测算法

为了提高认知无线电网络的攻击检测效果,提出一种基于人工蜂群算法的双门限认知无线电网络的攻击检测算法。收集网络中所有次级用户向融合中心发送的报告,对信号进行预处理并将信号传递至人工蜂群算法;蜂群的雇佣蜂阶段评估次级用户子集的适应度,观察蜂阶段根据解的相关信息开发可行解,选择最优的次级用户子集;观察蜂的结果传递回蚁群,并且更新蚁群的全局信息素值,蚁群对新解集进行开发操作。该算法结合人工蜂群算法与人工蚁群算法在全局搜索与局部开发之间达到平衡。仿真实验的结果显示,该算法实现了较高的检测率与较低的错误率,从而有效地优化了频谱利用率。     

基于混合粒子群优化算法的入侵检测研究

针对在入侵检测方法中常用的模糊聚类方法自身难以克服的对初始值敏感、容易陷入局部最优等问题,提出一种将粒子群优化算法和模糊聚类方法相结合的混合算法.对实验数据进行仿真试验,并将实验结果与其他算法结果相比较,显示出混合算法在入侵检测中能获得较好的检测能力.     

矩形布局优化问题的局部搜索蜂群算法

带平衡约束的矩形布局问题属于组合优化问题,当问题规模增大时求解困难。为提高求解效率,设计了一个蜂群算法,通过分析解的分布,提供了基于贪心策略的群体初始化方案,选择了有效的变异算子,将蜂群算法的搜索空间聚焦于最优解可能的区域。另外设计了一个二次局部搜索算法,对解的质量进行进一步提升。在10个公开的案例上与目前性能最好的算法进行了对照,提出的蜂群算法在其中9个较大规模的案例上超过了现有算法。理论分析和实验结果表明,相对于现有算法,所提蜂群算法能明显提高求解效率。     

基于人工蜂群算法的计算机网络DDoS攻击检测方法

计算机网络在DDoS入侵下容易出现停止服务、网络崩溃,为了提高网络安全性,提出基于人工蜂群算法的计算机网络DDoS攻击检测方法。根据特征样本之间的相关性构建计算机网络DDoS攻击的自适应的入侵检测信息分析模型,根据网络数据流与潜在空间之间的映射关系,结合测试样本和学习样本之间特征差异性进行DDoS攻击数据特征提取,在基站上设置入侵检测数据处理终端,采用人工蜂群算法实现对计算机网络攻击检测的个体最优值和全局最优值寻优,根据人工蜂群的动态寻优和组合优化结果,实现对组合网络流量数据间的攻击信息特征提取和聚类分析,解决计算机网络DDoS攻击检测过程中的连续多变量优化问题。仿真测试结果表明,采用该方法进行计算机网络DDoS攻击检测的寻优能力较好,精度和效率高于传统方法。     

基于GBDT优化算法的局域网入侵定位与检测研究

入侵检测方法可以在局域网攻击造成广泛破坏之前发现攻击,并据此制定相应的防御措施。为保证局域网的运行安全,提出基于GBDT优化算法的局域网入侵定位与检测方法。考虑局域网的组成结构与工作原理,构建局域网数学模型。在该模型下,根据不同入侵类型的攻击原理,设置入侵检测标准。局域网实时运行数据采集与预处理,从时域和频域两个方面提取局域网的运行特征。利用GBDT优化算法构建局域网入侵分类器,匹配局域网运行数据特征,追踪局域网入侵源位置,最终得出入侵源定位与入侵状态、类型的检测结果。通过性能测试实验,发现与传统方法相比,优化设计方法的入侵定位误差降低了5.75m,入侵类型与入侵数量的正确检测率分别提高13.8%和15.4%,即优化设计方法在定位与检测性能方面具有明显优势。     

基于PSO-BP神经网络的入侵检测技术优化算法的研究

针对基于BP神经网络的IDS技术收敛速度较慢,易陷入局部最优值、网络瘫痪,系统稳定性差等问题,本文提出了基于PSO-BP神经网络的入侵检测技术优化算法。利用粒子群优化算法优化BP网络的权重,首先利用PSO算法优化得到一个最优初始值,然后通过BP网络算法修正误差值,从而获得最优值。     

基于非线性递减选择策略的人工蜂群算法

针对基本人工蜂群算法种群多样性难以保持,进化速度慢等问题,提出了一种基于非线性递减选择策略的人工蜂群算法.算法在雇佣蜂阶段采用非线性递减选择策略以提高种群的多样性,进而改善种群的全局勘探能力;在跟随蜂阶段由全局最优解引导搜寻新解,以提高种群的局部开发能力;侦察蜂采用贴近最优解的策略以提高生成新解的质量,加速种群进化.改进的三个阶段改善了算法的寻优性能,最后通过实验对比与分析,验证了该算法的有效性.