针对网络入侵检测模型的正确率和有效性问题,将人群搜索算法收敛精度高的特点与支持向量机结构风险小、小样本下分类准确率高的优点相结合,提出一种基于人群搜索算法(SOA)和支持向量机(SVM)的网络入侵检测方法(SOA-SVM),该方法将SVM惩罚因子和核函数参数作为人群搜索算法适应度,采用随机搜索和模糊推理方式进行全局寻优,从而找到SVM最优参数并构建入侵检测模型。采用KDD CUP 99数据集进行性能测试,结果表明,SOA-SVM入侵检测模型准确率高,漏报率和虚警率低,在小训练样本情况下依旧具有优良的效果,从而验证了该方法的有效性与稳定性。
为了提高果蝇优化算法的种群多样性和果蝇搜索的遍历性,有效提高算法的收敛精度,提出一种改进的果蝇算法(Improving fruit fly optimization algorithm,IFOA),仿真实验表明,IFOA算法保持了搜索过程中的搜索尺度变化,平衡了算法的全局与局部搜索能力.在此基础上,为了改善支持向量机模型参数选择的随机性和盲目性,提高模式分类的准确率,提出并建立了一种IFOA-SVM模式分类模型.该方法将IFOA算法引入到支持向量机模型参数优化中,建立性能最优的支持向量机模型.应用该模型对UCI机器学习数据库中wine数据集进行模式分类研究,通过算法对比分析,结果表明:提出的改进果蝇优化算法在收敛速度和寻优效率上均有一定的提高,依此而建立的IFOA-SVM模式分类模型具有较准确的分类准确率,从而也验证了该模式分类方法在wine数据集分类应用中的有效性.
