基于CS-CPSO与SVM融合的WSNs入侵检测算法*

刘宏立， 李 璐， 胡久松

(湖南大学 电气与信息工程学院，湖南 长沙 410082)

基于CS-CPSO与SVM融合的WSNs入侵检测算法*

刘宏立， 李 璐， 胡久松

(湖南大学 电气与信息工程学院，湖南 长沙 410082)

为了提高基本粒子群优化(PSO)算法与支持向量机(SVM)融合的无线传感网络(WSNs)入侵检测算法的检测精度与收敛速度，提出了一种基于完全正弦映射混沌粒子群优化(CS-CPSO)算法与SVM融合的WSNs入侵检测算法(CS-CPSO-SVM)。采用CS-CPSO算法优化SVM参数，不仅将正弦映射混沌搜索应用于粒子群算法中初始种群与局部最优解混沌扰动的产生，且将其用于惯性权重的优化以及随机常数和学习因子的产生，并用多个初始值分别迭代生成多条混沌轨道。以KDDCUP99数据集作为实验数据，经理论分析与仿真实验表明:该方法可以有效地检测入侵行为，并具有良好的检测精度与收敛速度。

无线传感器网络入侵检测； 正弦映射； 多混沌轨道； 完全正弦映射混沌粒子群优化

0 引 言

目前为止，已经确定了许多不同类型的无线传感器网络 (wireless sensor networks,WSNs)[1～3]中的攻击[4]，如黑洞、女巫、拒绝服务攻击等。入侵检测的作用是对上述攻击进行发现、分析以及汇报[5,6]。本文构造了一种基于完全正弦映射混沌粒子群优化(complete sine-mapping chaotic particle swarm optimization,CS-CPSO)算法与支持向量机(support vector machine,SVM)融合的WSNs入侵检测模型(CS-CPSO-SVM)[7～9]，将CS-CPSO算法应用到SVM参数(C,γ)优化中，分析和比较传感器节点的数据和所建立的入侵行为特征，以确定是否有入侵行为。该方法不仅将正弦映射混沌搜索技术应用于粒子群优化算法中初始种群与局部最优解混沌扰动的产生，且将其用于惯性权重W优化以及随机常数R1，R2和学习因子C1，C2的产生，并用多个初始值分别迭代生成多条混沌轨道。将混沌状态引入到参数优化中，克服了基本PSO算法容易陷入局部极值点的缺陷，从而提高了算法的优化与检测性能。实验表明：该算法不仅具有全局寻优的能力，同时具有持续和优良的局部搜索能力。

1 WSNs入侵检测模型框架

基于CS-CPSO-SVM的WSNs入侵检测模型框架如图1所示。对训练和测试数据集进行归一、离散和降维等预处理，利用CS-CPSO算法优化SVM得出最优参数。最后，建立WSNs入侵检测模型以对测试集进行分类与识别，并对检测模型的性能进行分析。

图1 WSNs入侵检测模型框架

2 WSNs入侵检测算法

2.1 算法基础

WSNs入侵检测算法基础为SVM和PSO算法[10,11]。

SVM的学习能力与泛化能力取决于其参数的选择，本文采用径向基核函数(RBF)，故惩罚参数C与核函数参数γ成为需要优化的两个参数。其中，C的大小与可容忍的误差相关，而γ的大小与学习样本的输入空间范围相关。

在PSO算法中，对其收敛性而言，参数C1，C2，R1，R2以及W均为重要的影响因素。PSO算法收敛速度较快，但在后期时较为缓慢且粒子群表现出趋同性，容易陷入局部极小值。

本文在基本PSO算法中引入混沌思想，构造CS-CPSO算法,并利用该算法优化SVM参数，即惯性权重W，随机常数R1,R2和学习因子C1,C2。

2.2 CS-CPSO算法

CS-CPSO算法对PSO算法进行如下改进：

1)将混沌应用于粒子的位置初始化中，采用正弦映射(sine-mapping)以多个初始值分别进行迭代产生多条混沌轨道。Logistic映射是一个典型的混沌系统[12]，但产生的混沌变量轨道点分布不均匀。本文采用文献[13]所提出的正弦混沌映射构成混沌系统，并用多个初始值分别进行混沌迭代产生多条混沌轨道

Xn+1=sin(5.65/Xn),-1≤Xn≤1,Xn≠0

(1)

2)将混沌状态应用于惯性权重W优化中。采用式(2)进行W的混沌化，再将W映射至[Wmin,Wmax]区间

W(t+1)=sin(5.65/W(t))

(2)

W(t)=Wmin+(Wmax-Wmin)W(t)

(3)

式中t=1,2,…,Tm，Tm为最大迭代次数；Wmin，Wmax分别取值0.4,0.9。

3)将混沌应用于随机数R1，R2的生成，更新公式如下

Ri(t+1)=sin(5.65/Ri(t))

(4)

式中Ri(t)∈[0,1],i=1,2。

4)将混沌应用于C1，C2优化中,更新公式为

Ci(t+1)=sin(5.65/Ci(t))

(5)

Ci(t)=Cmin+(Cmax-Cmin)Ci(t),i=1,2

(6)

式中Cmin，Cmax取值分别为1.5，2.0。

Zt+1=sin(5.65/Zt)

(7)

式中 Zt为混沌变量，取能直接反映SVM性能的均方根误差(rootmeansquareerror，RMSE)作为算法的适应度函数，计算方法为

(8)

基于CS-CPSO算法优化SVM参数的优化步骤如下：

1)初始化设置粒子群体规模n,位置初始值个数q,维数m,最大允许迭代次数Tm,粒子群飞行速度范围[Vmin,Vmax],学习因子范围[Cmin,Cmax],惯性因子范围[Wmin,Wmax],SVM参数C和γ的取值范围等。

2)初始化粒子位置和速度。随机生成q个m维向量，每个向量数值在0～1之间，根据式(1)进行n/q次迭代并映射到对应的取值区间，得到n个向量作为粒子位置初始解；随机产生n个初始速度。

6)如果满足停止条件则停止搜索，得到全局最优位置;否则，返回步骤(3)。

为了测试CS-CPSO算法的优越性，采用Rastingrin函数进行模拟实验，其在Wi=0时达到全局最小点0，并选择与PSO进行对比实验

(9)

由图2可见，相对于PSO算法，CS-CPSO算法的收敛速度和收敛精度均得到改善，表明CS-CPSO算法的性能优于PSO算法。

图2 Rastingrin函数适应度值变化曲线

3 仿真实验

3.1 实验数据来源

本文采用的数据集KDDCUP99为异常检测标准数据集，数据集包含正常(Normal)和异常(Attack)两大类，其中异常类型又细分为4类：Probe(端口监视或扫描)、DoS(拒绝服务攻击)、U2R(未授权的本地超级用户特权访问)、R2L(来自远程主机的未授权访问)。从Normal中取800条正常样本，Probe，DoS，U2R，R2L中分别取50条入侵样本组成训练集;再从Normal中取400条正常样本，Probe，DoS，U2R，R2L中分别取25条入侵样本组成测试集。实验时，取种群规模n为20，维数m为2，最大迭代次数Tm为50，位置初始值个数q为4，飞行速度范围为[-3,3]，参数C的范围为[0.1,100]，参数γ的范围为[0.01,10]。

3.2 实验结果分析

RMSE作为适应度评价值，图3为RMSE随迭代次数的变化曲线。从图3可以看出，与PSO相比，CS-CPSO优化算法不但收敛速度快而且精度高。表1为测试集中CS-CPSO-SVM，PSO-SVM(PSO优化的SVM)，SVM以及反向传播(backpropagation,BP)神经网络(BPNN)分类精度比较，可以看出:CS-CPSO-SVM的分类精度较PSO-SVM，SVM以及BPNN分类器均高。

图3 2种算法的优化过程曲线

分类算法RMSE分类精度/%CS-CPSO-SVM0.134295.500PSO-SVM0.156593.875SVM0.208689.125BPNN0.246084.875

4 结 论

针对粒子群算法容易陷入局部极值的特点，本文提出了CS-CPSO算法将正弦映射混沌搜索应用于粒子群算法中初始种群与局部最优解混沌扰动的产生，且将其用于惯性权重优化以及随机常数和学习因子的产生，并用多个初始值分别迭代来产生多条混沌轨道，使粒子搜索的遍历性与种群的多样性都得以提高，能更好地优化SVM分类器参数以及提高检测率。实验结果表明：基于CS-CPSO算法优化的SVM分类器较BPNN，SVM分类器以及PSO优化的SVM分类器具有着更高的检测精度与检测效率。

[1] 卢 磊,殷兴辉,张大冬.WSNs在水信息采集中的应用[J].传感器与微系统,2011,30(1):134-136.

[2] Yick J,Mukherjee B,Ghosal D.Wireless sensor networks sur-vey[J].Computer Networks,2008,52(12):2292-2330.

[3] Romer K,Mattern F.The design space of wireless sensor net-works[J].IEEE Wireless Communications,2004,11(6):54-61.

[4] 王文莉,侯丽敏.基于邻域粗糙集的入侵检测[J].传感器与微系统,2010，29(6):36-38.

[5] Onat I,Miri A.An intrusion detection system for wireless sensor networks[C]∥2005 IEEE International Conference on Wireless and Mobile Computing,Networking and Communications,WiMob 2005,IEEE,2005:253-259.

[6] Roman R,Zhou J,Lopez J.Applying intrusion detection systems to wireless sensor networks[C]∥IEEE Consumer Communications & Networking Conference,CCNC 2006,2006.

[7] 匡芳君,徐蔚鸿,张思扬.基于改进混沌粒子群的混合核SVM参数优化及应用[J].计算机应用研究,2014,31(3):671-674.

[8] 黄为勇,高玉芹,张艳华.一种采用改进CPSO算法的PID参数整定方法[J].计算机科学,2014,41(11):278-281.

[9] 吴德君,基于粒子群及混沌算法的联合概率数据关联研究[J].自动化技术与应用，2017,36(2)：1-4.

[10] 王 成,郝顺义,翁大庆,等.基于混沌PSO算法优化LS-SVM的惯导系统测试[J].传感器与微系统,2011,30(2):125-128.

[11] 高 尚,杨静宇.混沌粒子群优化算法研究[J]．模式识别与人工智能，2006，19(2)：266-269.

[12] 朱红求,阳春华,桂卫华,等.一种带混沌变异的粒子群优化算法[J].计算机科学,2010(3):215-217.

[13] 尤 勇,王孙安,盛万兴.新型混沌优化方法的研究及应用[J].西安交通大学学报,2003,37(1):69-72.

WSNs intrusion detection algorithm based on CS-CPSO and SVM fusion*

LIU Hong-li, LI Lu, HU Jiu-song

(College of Electrical and Information Engineering,Hunan University,Changsha 410082,China)

In order to improve the detection precision and convergence rate of the intrusion detection algorithm for wireless sensor networks(WSNs)based on fusion of particle swarm optimization(PSO)algorithm and support vector machine(SVM),a WSNs intrusion detection algorithm based on complete sine-mapping chaotic CS-CPSO-SVM based on fusion of CS-CPSO and SVM is proposed.Chaotic PSO algorithm based on CS-CPSO is used to optimize the parameter of SVM,and the sine-mapping chaotic search is applied to not only the generation of initial population and chaotic perturbation of local optimal for PSO algorithm,but also the optimization of the inertia weight and the generation of the random constant and the learning factor,moreover,multiple initial values are used to generate a number of chaotic orbits.With the KDDCUP99 data set as experimental data,the oretical analysis and simulation results show that the proposed method can effectively detect the intrusion behavior,and has a good detection precision and convergence speed.

wireless sensor networks(WSNs)intrusion detection; sine-mapping; multi chaotic orbit; completely sinemapping chaotic particle swarm optimization (CS-CPSO)

10.13873/J.1000—9787(2017)09—0110—03

2016—09—26

中央国有资本经营预算项目(财企[2013]470号)；中央高校基本科研项目(2014—004)；国家自然科学基金资助项目(61172089)；湖南省科技计划资助项目(2014WK3001,2015JC3053)；中国博士后科学基金资助项目(2014M562100)

TN 911.7

A

1000—9787(2017)09—0110—03

刘宏立(1963-)，男，通讯作者，博士，教授，主要从事无线传感网络、轨道数字信号处理等方面的研究工作，E—mail：hongliliu@hnu.edu.cn。