基于菌群优化深度学习的网络入侵检测模型

作者:白文荣; 马琳娟; 巩政*
来源:南京理工大学学报, 2023, 47(05): 636-642.
DOI:10.14177/j.cnki.32-1397n.2023.47.05.009

摘要

为了提高网络入侵检测准确度,采用深度置信网络(Deep belief networks, DBN)算法用于入侵检测,同时借助菌群优化(Bacterial foraging optimization, BFO)算法求解最佳DBN参数。首先,建立DBN网络入侵检测模型,初始化深度置信网络中受限玻尔兹曼机(Restricted Boltzmann machine, RBM)层的核心参数。接着,以RBM的权重和偏置构建菌群。以DBN检出的攻击数量和实际攻击数量差值作为BFO的适应度函数。其次,通过驱化、繁衍和迁徙操作不断更新适应度值来获得最优个体。最后,以最优个体所对应的权重和偏置进行DBN的网络入侵检测。实验结果表明,合理设置菌群算法的引力和斥力系数、迁徙概率阈值等参数,BFO-DBN算法能够获得较高的网络入侵检测性能。相比于其他深度学习检测算法,BFO-DBN算法拥有更高的网络入侵检测准确率和稳定性。

全文