[发明专利]用于入侵检测的多目标麻雀搜索特征选择方法及设备

说明书

本发明提供了一种用于入侵检测的多目标麻雀搜索特征选择方法及设备。所述方法包括：步骤1至步骤8。本发明在初始化时采用了反向学习机制，加强了初始种群的整体质量，在生产者的运动中引入Levy随机步长，增大了种群的全局寻优能力，更有利于挖掘潜在的最优解，引入外部解集和新型拥挤度计算方式，拥挤度的计算时考虑了决策空间也就是特征子集空间中解的多样性，在寻优过程中能够寻找到更富有多样性的帕累托解集，显著加快了特征选择过程。

技术领域

本发明实施例涉及网络入侵检测技术领域，尤其涉及一种用于入侵检测的多目标麻雀搜索特征选择方法及设备。

背景技术

随着计算机技术与网络通信技术的迅速发展，各大业务领域的数字化系统广泛部署，计算机通信协议中的各种漏洞和网络入侵方式变得更加复杂化，多样化，呈现出种类多，突变快，隐秘性强的特点，当前网络流量的大小和访问的方式多样化呈现出爆炸性的增长趋势，网络规模增大和通信方式种类多样化随之而来的网络安全问题也更加的复杂和难以处理，同时伴随着网络流量特征指标的高维度特点，然而目前对网络流量特征实施特征选择操作是业内的难点。因此，开发一种用于入侵检测的多目标麻雀搜索特征选择方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题。

发明内容

针对现有技术存在的上述问题，本发明实施例提供了一种用于入侵检测的多目标麻雀搜索特征选择方法及设备。

第一方面，本发明的实施例提供了一种用于入侵检测的多目标麻雀搜索特征选择方法，包括：步骤1：对网络入侵流量原始数据包进行特征提取操作，对数据集进行数值化、去重、缺失值填充等数据清洗操作，将经过预处理的数据集上传至分布式文件系统HDFS中，存储路径记作dataPath；步骤2：构建多目标的评价函数，一为特征子集的大小，特征数目为num，二为特征子集的评价效果，准确率为acc；步骤3：采用分布式多目标麻雀搜索算法对特征子集进行优化选择，得到关于特征数目num和准确率acc的初始外部精英解集；步骤4：根据非支配排序层级和拥挤度距离进行优先级排序，对麻雀个体进行类别划分，根据优先级按2:8划分为生产者与乞讨者，抽取20％随机的警惕者，以处于最小支配层级同时拥挤度距离最大的解作为当前最优解x_best，处于最大支配层级同时拥挤度距离最小的解作为当前最劣解x_wrong；步骤5：在生产者的运动中引入Levy随机步长，增大全局寻优能力，个体按照生产者、乞讨者和警惕者的运动方式分别运动，进行位置更新；步骤6：将更新后的麻雀种群使用sc.broadcast函数广播至所有计算节点；步骤7：判断麻雀种群是否达到最大迭代次数，若否，则重新返回步骤4，若是，返回外部精英解集；步骤8：输出外部精英解集。

在上述方法实施例内容的基础上，本发明实施例中提供的用于入侵检测的多目标麻雀搜索特征选择方法，所述外部精英解集为当前多目标麻雀算法寻找到的帕累托最优解集。

在上述方法实施例内容的基础上，本发明实施例中提供的用于入侵检测的多目标麻雀搜索特征选择方法，步骤3的具体实现包括：步骤3.1：在主节点Spark Driver上采用反向学习机制初始化整个麻雀种群的信息，使用sc.broadcast函数将初始种群广播至所有计算节点；步骤3.2：初始化SparkContext变量为sc，采用sc.textFile函数并行读取位于HDFS上路径为dataPath的数据集，得到分布式弹性数据集dataRDD；步骤3.3：在麻雀种群基础上，对每个麻雀个体的适应度在特征数目num和准确率acc两方面在dataRDD各个分区中进行评价，使用快速非支配排序，基于外部解集存档和平衡决策空间的多样性拥挤度排序方法，更新外部精英解集。

在上述方法实施例内容的基础上，本发明实施例中提供的用于入侵检测的多目标麻雀搜索特征选择方法，所述初始化整个麻雀种群的信息，包括：初始化麻雀种群的大小、麻雀种群的初始位置x、麻雀种群的二进制映射位置v、种群的最大迭代次数iter_max以及外部精英解集。