基于AFSA－KNN选择特征的网络入侵检测

李 佳

（江苏食品药品职业技术学院 信息工程系，江苏 淮安223003）

0 引 言

特征选择是在保持原有网络数据信息完整性的基础上，剔除无用或者冗余特征，以提高网络入侵检测效率，因此特征选择成为网络入侵检测的核心问题［1－5］。

当前网络特征选择方法主要采用随机搜索算法和启发式搜索算法，随机搜索算法采用穷举搜索策略，其计算量大，对于大规模数据集的特征选择，运行效率低，时间复杂度高，不能满足网络入侵检测的实时性要求［6］；启发式搜索算法具有搜索并行性，速度快等优点，成为当前网络入侵检测中的特征选择算法，主要有模拟退火算法、蚁群算法、蛙跳算法、粒子群优化算法、遗传算法、杂草算法和等特征选择方法［5－8］。但是在实际应用中，这些算法均存在不同程度的缺陷，如遗传算子概率设置没有统一标准，寻优结果极不稳定；粒子群优化算法易出现 “早熟”现象，影响了网络特征选择的性能［9］。人工鱼群算法 （artificial fish swarm algorithm，AFSA）是近几年兴起的一种智能优化算法，具有并行性、收敛速度快等优点，为了网络入侵检测过程中的特征选择提供了新研究工具［10］。

通过上述分析，为了提高了网络入侵检测正确率和检测效率，本文提出一种K近邻算法 （KNN）和人工鱼群算法选择特征的网络入侵检测模型 （AFSA－KNN）。采用KNN算法根据特征之间的关联度消除原始网络数据中的冗余特征，使用AFSA对特征进行搜索，并针对AFSA法的不足进行改进，从而得到最优特征子集，最后建立网络入侵检测分类器，并进行仿真测试，以验证AFSA－KNN的有效性。……