基于麻雀搜索优化深度极限学习机的入侵检测方法

深度极限学习机(DELM)由于其性能好、泛化能力强等优点成功应用于许多领域.针对现有入侵检测技术存在检测效率低等问题,将DELM引入到网络入侵检测中,并针对其初始参数随机性较大等问题,提出了 一种基于改进的麻雀搜索算法(RSSA)优化DELM的入侵检测模型RSSA-DELM.首先在麻雀搜索算法(SSA)中,对麻雀发现者和麻雀警戒者的位置更新公式进行改进,有效避免了 SSA算法陷入局部最优并引入随机游走策略对麻雀最优解进行扰动,进一步提高麻雀搜索能力,增加种群多样性.改进的麻雀搜索算法(RSSA)与标准麻雀搜索算法(SSA)、粒子群优化算法(PSO)和鲸鱼优化算法(WOA)在四种测试函数上相比,收敛速度更快、收敛精度更高,具备良好的性能.然后利用改进的麻雀搜索算法对DELM的权值和偏置进行联合优化,最后采用优化的DELM算法对NSL-KDD网络数据集进行分类检测.实验结果表明,RSSA-DELM与DELM、SSA-DELM、RNN等算法相比有更高的检测率,分类性能平均提升了 18％.