基于复合分类器的网络入侵检测模型

刘克文，张贲，王宇飞

(1.中国电力科学研究院，北京市，100192;2.华北电网有限公司，北京市，100053;3.华北电力大学控制与计算机工程学院，北京市，102206)

0 引言

随着信息技术和互联网的飞速发展，国家电网公司的信息化水平日益提高，信息系统也已渗透到整个公司的生产、经营、管理等各环节，并支撑了国家电网公司各项业务开展。但随着公司网络规模的扩大，网络信息安全问题日益突显，入侵检测作为网络信息安全的基础性研究逐渐引起研究人员关注。入侵检测是对入侵行为的检测，入侵检测系统通过收集网络及计算机系统内所有关键节点的信息，检查网络或系统中是否存在违反安全策略行为及被攻击迹象。因而设计高效、准确的入侵检测模型，现实意义重大。

解决入侵检测问题的思路一般是将入侵检测问题抽象成一个复杂的多分类问题，通过构造分类器来实现对入侵检测的判别。常用的入侵检测算法有:核主成分分析(kernel principal component analysis，KPCA)结合前馈(back propagation，BP)神经网络构造分类器［1］;KPCA结合支持向量机(support vector machine，SVM)构造分类器［2－3］;粒子群算法(particle swarm optimization，PSO)优化权重矩阵和阈值的BPNN构造分类器［4］;主 成 分 分 析 (principal component analysis，PCA)、线性判别分析 (linear discriminant analysis，LDA)和 K-最近邻居法 (knearest neighbor，KNN)构造分类器［5］;PCA、KPCA等方法构造分类器［6］。上述常用入侵检测算法中存在数据冗余高、分类精度低、运算时间长和迭代次数多等问题。为更好地解决上述问题，本文设计了一种基于复合分类器的入侵检测模型。复合分类器由KPCA、BP神经网络和量子遗传算法(quantum genetic algorithm，QGA)组合而成。复合分类器通过对原始数据降维并优化分类器参数的方式完成大量样本的训练、分类模型生成，再使用分类模型对待测样本做出准确分类，最后通过实验证明了基于复合分类器的入侵检测模型的有效性。……