kaiyun官方注册
您所在的位置： 首页> 其他> 设计应用> 基于GWO-SVM算法的物联网入侵检测研究
基于GWO-SVM算法的物联网入侵检测研究
2020年信息技术与网络安全第10期
张金霜1，梁树杰1，左敬龙2
1.广东茂名幼儿师范专科学校 教育信息技术中心，广东 茂名525000； 2.广东石油化工学院 网络与教育信息技术中心，广东 茂名525000
摘要：物联网时代悄然而至，然而物联网技术在给人们带来方便的同时，其安全问题也日趋突出。针对物联网存在的网络入侵安全问题，提出GWO-SVM算法实现网络入侵检测。灰狼优化算法(GWO)具有收敛速度快、全局搜索能力强等优点，将GWO用于优化支持向量机(SVM)的参数选择，有助于提升分类模型的准确率。同时通过调整适应度值函数，避免分类模型过拟合。在UNSW-NB15数据集上，将GWO-SVM分类算法与SVM、PSO-SVM、GA-SVM分类算法进行对比，实验结果表明，GWO-SVM算法具有更高的分类准确率和性能，适用于物联网环境下的网络入侵检测。
中图分类号：TP393
文献标识码：A
DOI：10.19358/j.issn.2096-5133.2020.10.009
引用格式： 张金霜，梁树杰，左敬龙. 基于GWO-SVM算法的物联网入侵检测研究[J].信息技术与网络安全，2020，39(10)：44-48.
Research on Internet of Things intrusion detection by optimizing SVM using Grey Wolf Optimization algorithm
Zhang Jinshuang1，Liang Shujie1，Zuo Jinglong2
1.Education Information Technology Center, Guangdong Perschool Normal College in Maoming，Maoming 525000，China； 2.Network and Education Information Technology Center,Guangdong University of Petrochemical Technology， Maoming 525000，China
Abstract：The era of the Internet of Things is coming quietly. With the development of the Internet of Things technology, which brings convenience to people, security issues become increasingly prominent. To solve the problem of network intrusion security in Internet of Things, GWO-SVM algorithm was proposed to realize network intrusion detection. Grey Wolf Optimization algorithm(GWO) has the advantages of fast convergence speed and strong global search ability. Using GWO to optimize the parameter selection of Support Vector Machine(SVM) is helpful to improve the accuracy of classification model. Furthermore, by adjusting the fitness value function, overfitting of the classification model is avoided.In order to verify the effectiveness of the GWO-SVM algorithm, the experiment employs UNSW-NB15 data sets and compares with other parameter optimization methods such as SVM, PSO-SVM, GA-SVM. The experimental results show that GWO-SVM algorithm has higher classification accuracy and performance, which is suitable for network intrusion detection in the Internet of Things.
Key words :network intrusion detection；Grey Wolf Optimization(GWO)；Support Vector Machine(SVM)；Internet of Things security

0 引言

随着信息通信产业的发展，物联网技术已被广泛应用于人们生产生活中，其中智能家居就是物联网技术运用的典型代表。然而物联网技术在给人们生活带来便捷的同时，也带来了新的安全威胁，如个人隐私泄露、越权操作、数据破坏等[1]。其中，物联网的通信与信息安全问题是关键一环，通过使用网络入侵检测技术，能有效抵御或降低此类安全风险。

网络入侵检测的核心是分类算法。尽管当下使用深度学习进行数据分类十分流行，但支持向量机(Support Vector Machine，SVM)作为一种经典的分类算法，因其具有小样本学习、避免“维数灾难”、算法鲁棒性好等优点，在网络入侵检测的研究中仍占有一席之地，具有良好的推广性和适应性。在面向物联网环境，相较于其他常见的分类算法，如贝叶斯网络、KNN算法、模糊聚类、随机森林等，SVM表现出更好的综合性能[2]。

SVM的分类效果与其参数选择有较大的关系，关于参数如何选择问题，常用的方法是使用群智能优化算法求解，如粒子群算法(Particle Swarm Optimization，PSO)、遗传算法(Genetic Algorithm，GA)、人工蜂群算法(Artificial Bee Colony，ABC)等[3-6]。针对部分优化算法存在收敛速度慢、容易陷入局部最优解等缺点，本文引入一种新型元启发性优化算法——灰狼优化算法对SVM参数进行优化。

灰狼优化算法(Grey Wolf Optimizer，GWO)由学者MIRJALILI S等在2014年提出[7]，它通过模拟自然界灰狼种群等级机制和捕猎行为，确定捕食猎物的位置，实现优化搜索目的。灰狼算法具有实现步骤简单，需调整的参数少，收敛速度快，有较强的全局搜索能力等特点，在工程领域得到广泛应用[8-10]。




本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003139




作者信息:

张金霜1，梁树杰1，左敬龙2

(1.广东茂名幼儿师范专科学校 教育信息技术中心，广东 茂名525000；

2.广东石油化工学院 网络与教育信息技术中心，广东 茂名525000)

此内容为AET网站原创，未经授权禁止转载。

相关内容

Baidu
map