基于壓縮感知算法的傳感器網(wǎng)絡(luò)異常事件檢測(cè)

孟海濤, 邵 星

(鹽城工學(xué)院 信息工程學(xué)院, 江蘇 鹽城 224000)

由多個(gè)傳感器節(jié)點(diǎn)組成的無線傳感器網(wǎng)絡(luò), 能對(duì)網(wǎng)絡(luò)范圍內(nèi)的對(duì)象信息進(jìn)行實(shí)時(shí)采集和狀態(tài)跟蹤, 在許多領(lǐng)域應(yīng)用廣泛[1]. 傳感器網(wǎng)絡(luò)異常事件檢測(cè)可以了解當(dāng)前傳感器網(wǎng)絡(luò)的工作狀態(tài), 根據(jù)檢測(cè)結(jié)果提前制定安全防范措施, 因此設(shè)計(jì)檢測(cè)正確率高的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型是保障傳感器網(wǎng)絡(luò)正常工作的基礎(chǔ), 已成為目前傳感器網(wǎng)絡(luò)中的重要研究課題[2-3].

針對(duì)傳感器網(wǎng)絡(luò)異常事件檢測(cè)問題, 目前已有許多傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型[4], 主要分為兩種： 傳統(tǒng)模型和現(xiàn)代模型. 傳統(tǒng)傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型主要基于傳統(tǒng)統(tǒng)計(jì)學(xué)理論進(jìn)行建模, 有模糊理論、 專家理論等[5-6], 其對(duì)小規(guī)模傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模速度快, 檢測(cè)效果好, 但當(dāng)前傳感器網(wǎng)絡(luò)的節(jié)點(diǎn)規(guī)模越來越大, 異常事件的類型越來越多, 傳統(tǒng)模型無法適應(yīng)異常事件檢測(cè)發(fā)展的要求, 使得異常事件檢測(cè)結(jié)果可靠性低, 實(shí)際應(yīng)用價(jià)值較低[7-8]. 現(xiàn)代模型基于現(xiàn)代統(tǒng)計(jì)學(xué)理論, 如機(jī)器學(xué)習(xí)理論、 人工智能理論等, 其具有一定的智能性, 可很好地?cái)M合傳感器網(wǎng)絡(luò)異常事件與異常事件特征之間的變化關(guān)系, 建立整體性能良好的異常事件檢測(cè)模型, 已成為目前傳感器網(wǎng)絡(luò)異常事件檢測(cè)的主要研究方向[9]. 在傳感器網(wǎng)絡(luò)異常事件檢測(cè)過程中, 信息采集十分關(guān)鍵, 直接影響傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模效果. 由于一個(gè)傳感器網(wǎng)絡(luò)包含有大量的節(jié)點(diǎn), 節(jié)點(diǎn)采集信息量較大, 如果將原始信息直接用于傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模, 則建模過程會(huì)較復(fù)雜, 傳感器網(wǎng)絡(luò)異常事件檢測(cè)效率較低, 因此必須對(duì)傳感器網(wǎng)絡(luò)采集的信息進(jìn)行預(yù)處理. 雖然傳感器網(wǎng)絡(luò)節(jié)點(diǎn)采集信息量較多, 但異常事件是稀疏的, 因此可根據(jù)異常事件是稀疏的特點(diǎn)對(duì)信息進(jìn)行預(yù)處理.

壓縮感知算法可采集少量具有稀疏性的信號(hào), 然后通過重構(gòu)算法得到原始信號(hào)表達(dá)的內(nèi)容, 因此可采用壓縮感知算法對(duì)傳感器網(wǎng)絡(luò)異常事件檢測(cè)信息進(jìn)行預(yù)處理, 加快異常事件檢測(cè)速度[10]. 傳感器網(wǎng)絡(luò)異常事件檢測(cè)實(shí)際是一種二分類問題[11], 即將事件劃分為“正?！焙汀爱惓！眱深? 當(dāng)前建模工具主要為神經(jīng)網(wǎng)絡(luò)和支持向量機(jī), 神經(jīng)網(wǎng)絡(luò)基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理對(duì)傳感器網(wǎng)絡(luò)異常事件特征進(jìn)行學(xué)習(xí), 建立傳感器網(wǎng)絡(luò)異常事件檢測(cè)的分類器, 其檢測(cè)結(jié)果不穩(wěn)定, 當(dāng)訓(xùn)練樣本的數(shù)量較大時(shí), 可獲得理想的傳感器網(wǎng)絡(luò)異常事件檢測(cè)結(jié)果, 當(dāng)訓(xùn)練樣本數(shù)量較小時(shí), 傳感器網(wǎng)絡(luò)異常事件誤檢率較高, 即所謂“過擬合”缺陷[12]. 支持向量機(jī)對(duì)訓(xùn)練樣本的數(shù)據(jù)沒有嚴(yán)格要求, 即使在小樣本情況下, 也可得到較高正確率的傳感器網(wǎng)絡(luò)異常事件檢測(cè)結(jié)果, 但當(dāng)加入一個(gè)新樣本時(shí), 支持向量機(jī)就要重新學(xué)習(xí)一次, 傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模花費(fèi)時(shí)間較長, 無法達(dá)到傳感器網(wǎng)絡(luò)異常事件的在線檢測(cè)要求[13]. 極限學(xué)習(xí)機(jī)集成了神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的優(yōu)點(diǎn), 同時(shí)克服了神經(jīng)網(wǎng)絡(luò)的“過擬合”和支持向量機(jī)建模時(shí)間長的缺陷, 在獲得較好學(xué)習(xí)結(jié)果的同時(shí), 學(xué)習(xí)速度較快, 為傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模提供了一種新工具.

為了改善傳感器網(wǎng)絡(luò)異常事件檢測(cè)的效果, 本文提出一種基于壓縮感知算法的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型. 首先采用壓縮感知算法對(duì)信息進(jìn)行采樣和重構(gòu), 大幅度減少信息量, 然后提取傳感器網(wǎng)絡(luò)異常事件檢測(cè)特征, 采用極限學(xué)習(xí)機(jī)建立傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型, 通過傳感器網(wǎng)絡(luò)異常事件檢測(cè)仿真實(shí)驗(yàn)結(jié)果表明, 壓縮感知算法可獲得理想的傳感器網(wǎng)絡(luò)異常事件檢測(cè)結(jié)果, 且檢測(cè)性能明顯優(yōu)于當(dāng)前其他傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型.

1 預(yù)備知識(shí)

1.1 壓縮感知算法

信號(hào)可壓縮的條件為信號(hào)具有稀疏性, 一旦信號(hào)滿足稀疏性條件, 即可采用少量信號(hào)對(duì)原始信號(hào)進(jìn)行重構(gòu). 設(shè)實(shí)值信號(hào)b長度為N, 可表示為b(n),n∈{1,2,…,N}, 則b即可用基ψ=(ψ1,ψ2,…,ψN)描述：

(1)

其中z是一個(gè)矩陣. 信號(hào)稀疏變換系數(shù)投影到傳感矩陣上, 可產(chǎn)生觀測(cè)向量:

y=Φb.

(2)

綜合式(1),(2)可得

(3)

其中A=Φψ,Φ為M×N(M?N)維傳感矩陣, 同時(shí)Φ滿足如下條件：

(4)

根據(jù)式(1)可知b是稀疏的, 且滿足式(4)的條件, 可通過對(duì)式(2)的最小l0范數(shù)進(jìn)行求解, 根據(jù)y重構(gòu)原始信號(hào)b, 即

(5)

l0范數(shù)求解過程是一個(gè)NP難題, 在一定條件下,l1范數(shù)和l0范數(shù)具有等價(jià)性, 即

(6)

應(yīng)用壓縮感知算法需滿足如下3個(gè)條件：

1) 信號(hào)的稀疏表示；

2) 得到滿足式(4)的傳感矩陣Φ；

3) 設(shè)計(jì)壓縮感知重建算法, 其主要負(fù)責(zé)從低維信號(hào)恢復(fù)出原始高維信號(hào).

目前常見壓縮感知重建算法很多, 其中正交匹配跟蹤算法通用性較好, 因此本文選擇正交匹配跟蹤算法作為傳感器網(wǎng)絡(luò)異常事件信息的重構(gòu)算法, 算法步驟如下：

輸入：M×N維的矩陣Φ,y及信號(hào)的稀疏度K;

1)r0=y,Λ0=?, 迭代次數(shù)t=1；

5) 迭代次數(shù)增加, 若滿足條件t

1.2 極限學(xué)習(xí)機(jī)

(7)

其中：αi表示輸入權(quán)值；bi表示檢測(cè)偏差；k表示樣本數(shù)；βi表示輸出權(quán)值. 對(duì)式(7)進(jìn)行變換, 用矩陣形式描述為

Hkβk=Tk,

(8)

其中：Tk表示傳感器網(wǎng)絡(luò)異常事件檢測(cè)的輸出向量；Hk表示神經(jīng)元的矩陣,

(9)

最后得到基于極限學(xué)習(xí)機(jī)的傳感器異常事件檢測(cè)模型為

(10)

2 傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型

2.1 傳感器網(wǎng)絡(luò)

圖1 傳感器網(wǎng)絡(luò)的基本結(jié)構(gòu)Fig.1 Basic structure of sensor network

傳感器網(wǎng)絡(luò)由大量的傳感器節(jié)點(diǎn)組成, 被隨機(jī)部署于一個(gè)監(jiān)測(cè)區(qū)域內(nèi), 該區(qū)域被劃分為多個(gè)子區(qū)域, 每個(gè)子區(qū)域的節(jié)點(diǎn)劃分為兩類： 簇頭和普通節(jié)點(diǎn), 可實(shí)現(xiàn)互換, 普通節(jié)點(diǎn)主要負(fù)責(zé)采集對(duì)象狀態(tài)信息, 簇頭主要收集普通節(jié)點(diǎn)信息, 并采用一定規(guī)則對(duì)信息進(jìn)行融合, 減少信息之間的冗余量, 將信息發(fā)送給基站, 傳感器網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖1所示. 為了簡化傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模過程, 做如下假設(shè)：

1) 每個(gè)傳感器節(jié)點(diǎn)有唯一區(qū)別身份的ID號(hào), 且全部傳感器節(jié)點(diǎn)位置一旦部署好就固定不變;

2) 普通節(jié)點(diǎn)的通信、 信息采集能力相同, 具有相同的初始能量, 能量會(huì)不斷消耗掉, 且能量不能更新, 基站節(jié)點(diǎn)的能量是無限的;

3) 每個(gè)節(jié)點(diǎn)發(fā)射功率可自動(dòng)調(diào)整, 且可以根據(jù)接收到的信息強(qiáng)度估計(jì)兩個(gè)節(jié)點(diǎn)之間的距離, 根據(jù)距離的遠(yuǎn)近加入相應(yīng)的簇.

傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的通信模式如圖2所示. 當(dāng)一個(gè)節(jié)點(diǎn)要發(fā)送lbit數(shù)據(jù)時(shí), 其消耗的能量計(jì)算公式為

(11)

圖2 傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的通信模式Fig.2 Communication mode of sensor network nodes

ERx(l,d)=ERx-elec(l)=lEelec.

(12)

設(shè)傳感器網(wǎng)線的節(jié)點(diǎn)量為N, 整個(gè)傳感器網(wǎng)絡(luò)可劃分為k個(gè)子區(qū)域, 每個(gè)子區(qū)域稱為簇, 每個(gè)簇有1個(gè)簇頭和(N/k-1)個(gè)普通節(jié)點(diǎn), 簇頭與基站的距離為dS, 則一個(gè)工作期內(nèi)簇頭的能耗公式為

(13)

其中EDA表示數(shù)據(jù)融合的能耗. 若節(jié)點(diǎn)到簇頭的距離為dC, 則一個(gè)節(jié)點(diǎn)向簇頭傳輸數(shù)據(jù)的能耗為

(14)

(15)

其中M表示傳感器網(wǎng)絡(luò)的監(jiān)測(cè)區(qū)域長度.

綜上可知, 在簇頭進(jìn)行信息融合時(shí), 引入壓縮感知算法, 減少信息規(guī)模, 簡化傳感器網(wǎng)絡(luò)異常事件檢測(cè)分類器的輸入, 可改善傳感器網(wǎng)絡(luò)異常事件檢測(cè)效果.

2.2 模型設(shè)計(jì)

傳感器網(wǎng)絡(luò)異常事件檢測(cè)為一個(gè)二分類問題, 即根據(jù)一定規(guī)則將當(dāng)前事件劃分為正?；虍惓? 設(shè)檢測(cè)到異常事件傳感器節(jié)點(diǎn)的信息數(shù)據(jù)值用“1”表示, 未檢測(cè)到異常事件傳感器節(jié)點(diǎn)的信息數(shù)據(jù)值用“0”表示, 可通過極限學(xué)習(xí)機(jī)建立一個(gè)傳感器網(wǎng)絡(luò)異常事件檢測(cè)的二分類器. 檢測(cè)步驟如下：

1) 根據(jù)應(yīng)用要求, 構(gòu)建多個(gè)傳感器節(jié)點(diǎn)組成的傳感器網(wǎng)絡(luò), 各節(jié)點(diǎn)負(fù)責(zé)對(duì)其范圍內(nèi)信息進(jìn)行采集；

2) 將各個(gè)傳感器節(jié)點(diǎn)收集信息發(fā)送到其各自的簇頭；

3) 各簇頭對(duì)傳感器網(wǎng)絡(luò)狀態(tài)信息進(jìn)行融合, 并引入壓縮感知算法對(duì)傳感器網(wǎng)絡(luò)狀態(tài)信息進(jìn)行壓縮和重構(gòu), 以減少傳感器網(wǎng)絡(luò)狀態(tài)信息規(guī)模;

圖3 傳感器網(wǎng)絡(luò)異常事件檢測(cè)流程Fig.3 Flow of abnormal event detection in sensor networks

4) 從重構(gòu)的傳感器網(wǎng)絡(luò)狀態(tài)信息中提取異常事件檢測(cè)特征, 其組成傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型的輸入向量；

5) 根據(jù)輸入向量和傳感器網(wǎng)絡(luò)狀態(tài)對(duì)傳感器網(wǎng)絡(luò)異常事件檢測(cè)的訓(xùn)練樣本進(jìn)行處理, 并輸入極限學(xué)習(xí)機(jī)進(jìn)行學(xué)習(xí), 建立傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型；

6) 對(duì)一個(gè)待檢測(cè)的傳感器網(wǎng)絡(luò)事件, 采用建立的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型進(jìn)行測(cè)試, 輸出傳感器網(wǎng)絡(luò)事件為正?；虍惓顟B(tài).

基于壓縮感知算法的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型工作流程如圖3所示.

3 傳感器網(wǎng)絡(luò)異常事件檢測(cè)性能分析

3.1 測(cè)試環(huán)境

通過仿真實(shí)驗(yàn)分析基于壓縮感知算法的傳感器網(wǎng)絡(luò)異常事件檢測(cè)效果. 實(shí)驗(yàn)環(huán)境: 節(jié)點(diǎn)數(shù)為1 000, 監(jiān)測(cè)范圍為0～100 m2, 數(shù)據(jù)包長度為24 bit, 控制包大小為64 bit, 傳感器節(jié)點(diǎn)的初始能量為5 J,εfs=0.005 J/bit,εmp=0.001 3 pJ/bit,Eelec=50 nJ/bit. 采用壓縮感知算法對(duì)傳感器網(wǎng)絡(luò)信息進(jìn)行處理, 以減少傳感器網(wǎng)絡(luò)信息規(guī)模, 提取對(duì)傳感器異常事件檢測(cè)特征, 由于特征類型多樣、 量綱不同, 因此對(duì)其進(jìn)行歸一化處理：

(16)

其中xi表示原始特征.

3.2 結(jié)果與分析

3.2.1 壓縮感知算法的有效性 為了分析壓縮感知算法的有效性, 選擇未加入壓縮感知算法的檢測(cè)模型進(jìn)行對(duì)比測(cè)試, 共進(jìn)行5次實(shí)驗(yàn), 得到的傳感器網(wǎng)絡(luò)異常事件檢測(cè)率和平均檢測(cè)時(shí)間列于表1. 由表1可見, 壓縮感知算法的傳感器網(wǎng)絡(luò)異常事件檢測(cè)率高于對(duì)比算法, 平均檢測(cè)時(shí)間明顯減少, 加快了傳感器網(wǎng)絡(luò)異常事件檢測(cè)速度, 減少了信息冗余對(duì)傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模的干擾, 在簇頭信息融合引入壓縮感知算法是有效、 可行的.

表1 壓縮感知前后的傳感器網(wǎng)絡(luò)異常事件檢測(cè)結(jié)果

3.2.2 性能對(duì)比 選擇文獻(xiàn)[13]、 文獻(xiàn)[14]的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型進(jìn)行對(duì)比實(shí)驗(yàn), 共進(jìn)行5次仿真測(cè)試, 統(tǒng)計(jì)其傳感器網(wǎng)絡(luò)異常事件檢測(cè)率、 傳感器網(wǎng)絡(luò)異常事件誤檢率、 傳感器網(wǎng)絡(luò)異常事件漏檢率及傳感器網(wǎng)絡(luò)的平均能耗, 實(shí)驗(yàn)結(jié)果列于表2.

表2 與其他不同模型傳感器網(wǎng)絡(luò)異常事件的檢測(cè)性能對(duì)比

由表2可見：

1) 相對(duì)于文獻(xiàn)[13]、 文獻(xiàn)[14]的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型, 本文模型的傳感器網(wǎng)絡(luò)異常事件檢測(cè)率得到明顯提升, 大幅度降低了傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型的誤檢率和漏檢率, 這主要是由于引入壓縮感知算法消除了重復(fù)傳感器網(wǎng)絡(luò)異常狀態(tài)信息的干擾, 同時(shí)引入極限學(xué)習(xí)機(jī)建立了性能更優(yōu)的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型, 且本文模型的傳感器網(wǎng)絡(luò)異常事件檢測(cè)速度更快, 能實(shí)現(xiàn)傳感器網(wǎng)絡(luò)異常事件的在線檢測(cè)；

2) 本文模型的傳感器網(wǎng)絡(luò)能耗小于文獻(xiàn)[13]、 文獻(xiàn)[14]的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型的能耗, 這是由于通過壓縮感知算法對(duì)簇頭信息進(jìn)行融合和重構(gòu)后, 減少了傳輸信號(hào)的規(guī)模, 節(jié)約了信息傳輸能耗, 能有效延長傳感器網(wǎng)絡(luò)的壽命, 使信息檢測(cè)的成本更優(yōu), 實(shí)際應(yīng)用價(jià)值更高.

綜上所述, 為了獲得更優(yōu)的傳感器網(wǎng)絡(luò)異常事件檢測(cè)結(jié)果, 針對(duì)目前傳感器網(wǎng)絡(luò)異常事件檢測(cè)建模過程中的信息冗余等難題, 本文提出了一種基于壓縮感知算法的傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型, 采用壓縮感知算法對(duì)信息進(jìn)行采樣和重構(gòu), 采用少量的信息描述原始信息, 大幅度減少了傳感器網(wǎng)絡(luò)異常事件檢測(cè)輸入數(shù)據(jù), 加快了傳感器網(wǎng)絡(luò)異常事件檢測(cè)速度, 并通過引入極限學(xué)習(xí)機(jī)實(shí)現(xiàn)了傳感器網(wǎng)絡(luò)異常事件檢測(cè)的分類, 最后通過仿真測(cè)試結(jié)果表明, 壓縮感知算法可提高傳感器網(wǎng)絡(luò)異常事件檢測(cè)效率, 實(shí)現(xiàn)傳感器網(wǎng)絡(luò)異常事件在線檢測(cè), 同時(shí)獲得比其他傳感器網(wǎng)絡(luò)異常事件檢測(cè)模型更優(yōu)的結(jié)果.

[1] Loo C E, Ng M Y, Leckie C, et al. Intrusion Detection for Routing Attacks in Sensor Networks [J]. International Journal of Distributed Sensor Networks, 2006, 2(4): 313-332.

[2] Zhang Y, Meratnia N, Havinga P. Outlier Detection Techniques for Wireless Sensor Networks: A Survey [J]. IEEE Communications Surveys and Tutorials, 2010, 12(2): 159-170.

[3] 李力. 無線傳感網(wǎng)中一種基于支持向量機(jī)的異常事件檢測(cè)方案 [J]. 計(jì)算機(jī)應(yīng)用與軟件, 2015, 32(2): 272-275. (LI Li. An SVM-Based Abnormal Events Detection Scheme in Wireless Sensor Networks [J]. Computer Applications and Software, 2015, 32(2): 272-275.)

[4] 李興囯, 王俊峰. 無線網(wǎng)絡(luò)數(shù)據(jù)流量異常優(yōu)化檢測(cè)仿真研究 [J]. 計(jì)算機(jī)仿真, 2017, 24(9): 286-289. (LI Xingguo, WANG Junfeng. Simulation Research of Wireless Network Data Flow Anomaly Detection [J]. Computer Simulation, 2017, 24(9): 286-289.)

[5] 韓紅光, 周改云. 基于Makov鏈狀態(tài)轉(zhuǎn)移概率矩陣的網(wǎng)絡(luò)入侵檢測(cè) [J]. 控制工程, 2017, 24(3): 698-704. (HAN Hongguang, ZHOU Gaiyun. A Network Intrusion Detection Method Based on Fusion of Markov Chain State Transfer Probability Matrix [J]. Control Engineering of China, 2017, 24(3): 698-704.)

[6] 周鵬, 熊運(yùn)余. 基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)狀態(tài)異常檢測(cè) [J]. 吉林大學(xué)學(xué)報(bào)(理學(xué)版), 2017, 55(5): 1269-1274. (ZHOU Peng, XIONG Yunyu. Anomaly Detection of Network State Based on Data Mining [J]. Journal of Jilin University (Science Edition), 2017, 55(5): 1269-1274.)

[7] 孫敏, 徐彩霞, 高陽. 基于FWKN-SVM的Android異常入侵檢測(cè)的研究 [J]. 計(jì)算機(jī)科學(xué), 2015, 42(4): 116-118. (SUN Min, XU Caixia, GAO Yang. Research of Android Abnormal Intrusion Detection Based on Feature-Weighted K-Nearest-Neighbor SVM [J]. Computer Science, 2015, 42(4): 116-118.)

[8] 吳銳, 陳靜. 基于SVM的電信網(wǎng)絡(luò)異常點(diǎn)檢測(cè)技術(shù)的研究 [J]. 赤峰學(xué)院學(xué)報(bào)(自然科學(xué)版), 2017, 33(11): 46-47. (WU Rui, CHEN Jing. Research on Anomaly Detection Technology of Telecom Network Based on SVM [J]. Journal of Chifeng University (Natural Science Edition), 2017, 33(11): 46-47.)

[9] 袁琴琴, 呂林濤. 基于改進(jìn)蟻群算法與遺傳算法組合的網(wǎng)絡(luò)入侵檢測(cè) [J]. 重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版), 2017, 29(1): 84-89. (YUAN Qinqin, Lü Lintao. Network Intrusion Detection Method Based on Combination of Improved Ant Colony Optimization and Genetic Algorithm [J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2017, 29(1): 84-89.)

[10] 閆偉, 張軍. 基于時(shí)間序列分析的網(wǎng)絡(luò)流量異常檢測(cè) [J]. 吉林大學(xué)學(xué)報(bào)(理學(xué)版), 2017, 55(5): 1249-1254. (YAN Wei, ZHANG Jun. Network Traffic Anomaly Detection Based on Time Series Analysis [J]. Journal of Jilin University (Science Edition), 2017, 55(5): 1249-1254.)

[11] 唐斯琪, 潘志松. 基于流形學(xué)習(xí)的網(wǎng)絡(luò)數(shù)據(jù)流異常檢測(cè) [J]. 濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2017, 32(2): 118-128. (TANG Siqi, PAN Zhisong. Anomaly Detection in Network Traffic Flow Based on Manifold Learning [J]. Journal of University of Jinan (Science and Technology), 2017, 32(2): 118-128.)

[12] 吳麗云, 李生林, 甘旭升, 等. 基于PLS特征提取的網(wǎng)絡(luò)異常入侵檢測(cè)CVM模型 [J]. 控制與決策, 2017, 32(4): 755-758. (WU Liyun, LI Shenglin, GAN Xusheng, et al. Network Anomaly Intrusion Detection CVM Model Based on PLS Feature Extraction [J]. Control and Decision, 2017, 32(4): 755-758.)

[13] 陳興蜀, 江天宇, 曾雪梅, 等. 基于多維時(shí)間序列分析的網(wǎng)絡(luò)異常檢測(cè) [J]. 工程科學(xué)與技術(shù), 2017, 49(1): 144-150. (CHEN Xingshu, JIANG Tianyu, ZENG Xuemei, et al. Network Anomaly Detector Based on Multiple Time Series Analysis [J]. Advanced Engineering Sciences, 2017, 49(1): 144-150.)

[14] 劉汝雋, 賈斌, 辛陽. 基于信息增益特征選擇的網(wǎng)絡(luò)異常檢測(cè)模型 [J]. 計(jì)算機(jī)應(yīng)用, 2016, 36(增刊2): 49-53. (LIU Rujun, JIA Bin, XIN Yang. Network Anomaly Detection Model Based on Information Gain Feature Selection [J]. Journal of Computer Applications, 2016, 36(Suppl 2): 49-53.)