基于改进麻雀搜索算法的特征选择在入侵检测中的应用.pdf

基于改进麻雀搜索算法的特征选择在入侵检测中的应用蔡 昊，李军华，周 成（南昌航空大学 江西省图像处理与模式识别重点实验室，南昌330063）摘要 机器学习在入侵检测中发挥着至关重要的作用，特征选择作为机器学习的关键预处理步骤，受到广大研究者的关注。针对麻雀搜索算法寻优能力强但易陷入局部最优的问题，本文对特征编码、位置更新等策略进行改进，提出一种多策略融合的二进制麻雀搜索算法，结合决策树分类器构造封装式特征选择算法，从高维特征空间中选择具有代表性的特征，以提高模型的预测能力并降低时间成本。基于 NSL-KDD 和 UNSW-NB15 数据集进行了性能评估，实验结果表明：与多种特征选择算法相比，利用该算法进行特征选择后的数据具有最佳二分类效果。关键词 麻雀搜索算法；入侵检测；特征选择；特征编码；位置更新 中图分类号 TP393 文献标志码 A doi：10.3969/j.issn.2096-8566.2023.02.009 文章编号 2096-8566(2023)02-0070-08Application of Feature Selection Based on Improved SparrowSearch Algorithm in Intrusion DetectionCAI Hao，LI Jun-hua，ZHOU Cheng（Key Laboratory of Jiangxi Province for Image Processing and Pattern Recognition,NanchangHangkong University,Nanchang 330063,China）Abstract:Machine learning plays an important role in intrusion detection.As a key preprocessing step of machine learning,featureselection has attracted the attention of many researchers.Aiming at solving the problem that sparrow search algorithm has strongoptimization ability but easy to fall into local optimization,this study improved the strategies of feature encoding and locationupdate.A multi strategy mixed binary sparrow search algorithm was proposed,which combined a decision tree classifier to constructwrapped feature selection algorithm and selected representative features from high-dimensional feature space to improve theprediction ability of the model and reduce the time cost.The performance of this algorithm was evaluated based on NSL-KDD andUNSW-NB15 datasets.The experimental results show that compared with various feature selection algorithms,the data after featureselection using the algorithm proposed in this work has the best binary classification effect.Key words:sparrow search algorithm；intrusion detection；feature selection；feature encoding；location update 引言随着互联网的高速发展，网络安全问题备受关注，入侵检测系统(Intrusion Detection System,IDS)在保护网络安全方面起着至关重要的作用。决策树作为一种经典的机器学习算法，因其易于构建和 收稿日期2022-12-01 修回日期2023-02-22基金项目国家自然科学基金(62066031)通讯作者李军华(1974)，男，博士，教授。主要研究方向：遗传算法及计算机图像处理。第 37 卷 第 2 期南昌航空大学学报：自然科学版Vol.37 No.22023 年 6 月Journal of Nanchang Hangkong University:Natural SciencesJun.2023 理解、时间复杂度低、分类精度高并且对缺失值不敏感，而被广泛应用于 IDS 中。然而，由于网络流量数据存在大量的冗余和不相关特征，不仅降低了 IDS 检测性能，而且消耗了大量的计算资源。特征选择通过缩减特征空间并保留重要特征，提高检测的准确率和降低时间成本，被视为构建 IDS 的重要一步。依据是否独立于后续的分类算法，特征选择可分为过滤式和封装式 2 种。卡方检验、互信息、信息增益和皮尔森相关系数等过滤式特征选择方法运行速度快，但只通过特征的内在关联进行选择，忽略了与分类器的关联，并且对阈值的设定也存在一定盲目性。而封装式方法以机器学习算法的检测结果作为特征子集的评价标准。由于搜索空间较大，封装式方法需要一种计算效率高，并且具有全局搜索能力的搜索策略。进化计算是一种成熟的具有高鲁棒性和广泛适用性的全局优化方法，能够有效地处理传统优化算法难以解决的复杂问题，近年来在封装式特征选择领域中备受研究者们的关注。Amini 等1提出了一种结合遗传算法(Genetic Algorithm,GA)和弹性网络的 2 层特征选择方法，该方法使用了封装式和嵌入式方法来选择最优的特征子集。Elmasry等2提出的基于双粒子群优化(Particle SwarmOptimization,PSO)的算法，在一个过程中同时选择特征子集和超参数。Seth 等3提出了一种基于二进制灰狼优化(Grey Wolf Optimizer,GWO)算法的特征选择和神经网络分类器的 IDS。正如“无免费午餐定理”4所述，没有一个算法能完美解决所有问题。例如：GA 需要设置的参数较多且局部寻优能力较弱；PSO 算法迭代后期搜索能力下降，易陷入局部最优；GWO 算法种群多样性差。针对上述问题，本文提出将多策略融合的二进制 麻 雀 搜 索 算 法(Multi-Strategy Mixed BinarySparrow Search Algorithm,MSMBSSA)与决策树算法相结合，构造一种封装式特征选择算法，在IDS 中对高维的网络流量数据进行降维，避免维度灾难。1 麻雀搜索算法(Sparrow Search Algorithm,SSA)麻雀搜索算法5具有寻优能力强、收敛速度快、参数少、可扩展性高等优点，适合用来解决搜索寻优问题。麻雀一般分为 2 种类型：探索者和追随者，并且会在一定的条件下互换角色。在 SSA的数学模型中，麻雀的位置由矩阵 X 表示。X=x1,1x1,2x1,dx2,1x2,2x2,d.xn,1xn,2xn,d(1)(xi,1,xi,2,xi,d)i=1,2,n式中：表示一只麻雀个体，n 是种群中麻雀的数量，d 表示要优化问题的维度。Fit=f(x1,1x1,2x1,d)f(x2,1x2,2x2,d).f(xn,1xn,2xn,d)(2)式中，每行的值表示种群中个体的适应度，探索者的适应度值小于追随者。探索者时刻警惕天敌，当预警值超过一定范围时，探索者将会四处飞离，位置更新如式（3）所示。xt+1i,j=xti,jeiitermax,R2n2xt+1p+?xti,jxt+1p?A+L,其他(4)第 2 期蔡 昊，李军华，周 成：基于改进麻雀搜索算法的特征选择在入侵检测中的应用 71 xpxworstd式中：是探索者占据的最佳位置，表示当前全局最差位置，A 是每个元素随机分配1 或者1 的 维行向量。种群中的部分麻雀更加警惕，这些麻雀的初始位置是随机的，移动位置如式（5）所示。xt+1i,j=xtbest+?xti,jxtbest?,fi fwxti,j+K?xti,jxtworst?fi fw+,fi=fg(5)xbest N(0,1)K 1,1fifgfwfi fwfi=fg式中：是当前的全局最优位置；和是步长控制系数，表示麻雀移动的方向；是当前麻雀个体的适应度，和分别是当前全局最好和最差的个体的适应度；是用来避免分母为 0 时添加的最小常数；当时，麻雀正处于种群的边缘，随时可能被捕食者攻击；表示处于种群中间的麻雀意识到了危险，需要靠近其他的麻雀以尽量减少被捕食的风险。一般情况下，SSA 具有良好的收敛性能和寻优能力。然而，在接近全局最优时，麻雀种群多样性的减少，容易造成“早熟”收敛和陷入局部最优等问题。本文针对 SSA 的不足，提出多策略融合的二进制麻雀搜索算法 MSMBSSA，并将这一算法与决策树分类器结合，构造基于 MSMBSSA 的特征选择算法。通过实验与其他特征选择算法进行对比，验证本文提出算法的有效性。2 基于 MSMBSSA 的特征选择算法本节利用 MSMBSSA 搜索特征子集，使用二进制麻雀个体表示特征选择问题的解，再引入决策树分类器构造适应度函数来评价有效的特征子集，提 出 了 一 种 基 于 MSMBSSA 的 特 征 选 择 算 法(MSMBSSA-based Feature Selection Algorithm,MSFSA)。2.1 特征编码在封装式特征选择的过程中，特征只有被选中或未被选中这 2 种状态，因此对特征子集采用二进制编码。如图 1 所示，“0”代表特征未被选中，“1”代表特征被选中，d 表示原始特征的个数。1010001012345d 图 1 麻雀个体的二进制编码 原始 SSA 只能用于解决连续问题，需要转换函数将 SSA 的连续搜索空间映射到二进制空间。本文深入研究了 sigmoid 和 tanh 2 种不同的转换函数，并在实验部分对 2 种函数进行了对比，最终选择 tanh 函数作为麻雀位置的转换函数。式（6）和式（7）分别表示这 2 个函数将连续值转换为二进制值的过程。xsi=sigmoid(xi)=11+exi;xbinary=0,xsi threshold1,xsi threshold(6)xti=|tanh(xi)|=exiexiexi+exi;xbinary=0,xti threshold1,xti threshold(7)xsixtii=1,2,dthreshold=0.5xsixti式中：和分别是通过 sigmoid 和 tanh 函数转换后 的 连 续 值，；通 常 设 置，分别与和相比较，将连续搜索空间映射到二进制搜索空间。2.2 评估过程封装式特征选择过程中，使用训练集构建分类器模型，然后根据对测试集的分类结果计算特征子集的适应度。二分类的结果由表 1 的混淆矩阵展示，其中 0 代表正常(Negative)，1 代表攻击 表 1 混淆矩阵预测值=1预测值=0真实值=1TPFN真实值=0FPTN 72 南昌航空大学学报：自然科学版第 37 卷(Positive)。根据混淆矩阵可定义以下评价指标：1)准确率：评估正确分类的样本占总样本的比例。Accuracy=TP+TNTP+TN+FP+FN(8)2)真阳性率(True Positive Rate,TPR)：即召回率(Recall)，评估被正确识别的实际攻击的比例。TPR=Recall=TPTP+FN(9)3)假阳性率(False Positive Rate,FPR)：即误报率，评估被识别为攻击的正常样本的比例。FPR=FPTN+FP(10)4)精确率(Precision)：评估被识别为攻击的实际攻击样本比例。Precision=TPTP+FP(11)5)F-score：通过精确率和召回率来评估模型。Fscore=2TP2TP+FP+FN=2PrecisionTPRPrecision+TPR(12)特征选择问题被定义为一个多目标问题6，需要在最大程度提高分类器的准确率和 F-score 的同时，最小化所选特征数量和 FPR。因此，本文提出用于评估解的适应度函数如式（13）所示，对Error、F-score、FPR 和特征数量 4 个目标进行加权计算。Fitness(X)=Error+1Fscore+FPR+SFNF(13)Error=1Accuracy+=1=0.4 =0.4 =0.15 =0.05式中：；SF 是选择的特征数量，NF 是原始的特征数量；，通过多次实验对比，设置、，、时，实验结果最佳。2.3 MSMBSSA针对 SSA 存在的局限性，本节对算法中个体的位置更新策略进行改进，并通过两阶段变异策略生成新的个体，提出的 MSMBSSA 实现流程如图 2所示。加载数据、初始化种群并编码计算个体的适应度值titermax 选择 Xbest 和 Xworst特征编码计算个体的适应度值，更新 Xbest 和 Xworst对 Xbest 进行两阶段变异，更新 Xbestt+输出 XbestYN更新麻雀位置 图 2 MSMBSSA 流程图 2.3.1 探索者的位置更新探索者需要引导其他个体寻找最优解，因此需要更加灵活的搜索机制，否则很容易陷入局部极值。为了使探索者的搜索范围更广，引入了动态自适应加权策略和 Levy 飞行机制。实验表明，单独使用动态自适应加权策略不能有效提高探索者的搜索能力，搜索存在盲目性。而与 Levy 飞行机制的组合有效地扩大了搜索范围，加权策略的规律性约束了 Levy 飞行的随机性。两者互补的优势提高了探索者的效率，使每次迭代都获得了高质量解。在探索阶段引入动态自适应加权因子，随迭代次数动态变化，使算法在开始时具有更广的搜索范围，并在后期自适应缩小搜索范围，从而提高搜索能力，并平衡 Levy 飞行机制对后期的影响，在一定程度上保证了算法的优化性能。引入权重因子和 Levy 飞行机制的探索者位置更新如式（14）式(16)。=e2(1titermax)e2(1titermax)e2(1titermax)+e2(1titermax)(14)xt+1i,j=xti,jexp(iitermax)，R2n2xt+1p+?xti,jxt+1p?randn(0,1)，i n2(19)2.3.3 两阶段变异mp为了增强算法的寻优能力，采用了一种两阶段变异算子。第一个阶段针对编码为“1”的位置以概率进行变异，目的是保持高分类精度的同时，减少所选特征的数量；第二个阶段针对编码为“0”的mp位置以概率进行变异，目的是增加更多的特征信息，以提高分类精度。3 实验及结果分析本文使用的分类算法为 Python 中 scikit-learn决策树算法，基于 NSL-KDD8和 UNSW-NB159数据集进行训练建模和评估选择的特征子集。所有实验均独立运行 10 次，每次种群数量设置为100，最大迭代次数设置为 200。经过实验对比，变异率设置为 0.1 时算法性能最优。3.1 数据集描述2 种广泛使用的数据集被用来评估提出的特征选择算法：NSL-KDD 和 UNSW-NB15。3.1.1 NSL-KDDNSL-KDD 数据集合计训练数据 125 973 条和测试数据 22 544 条，每条数据包含 41 个特征以及一个类标签(Normal、DoS、U2R、R2L、Probing)。3.1.2 UNSW-NB15UNSW-NB15 数据集包含 2 540 044 条记录，它们位于 4 个 CSV 文件中。其中一部分被分成了训练集(175 341)和测试集(82 332)，每条数据包含 47 个 特 征 和 二 分 类 标 签 以 及 多 分 类 标 签(Normal、Fuzzers、Analysis、Backdoors、DoS、Exploits、Generic、Reconnaissance、Shellcode 和Worms)。3.2 数据预处理在数据预处理阶段，首先去除冗余和存在大量缺失值的数据，然后对类别特征进行编码。由于本文中使用的分类算法是基于树的算法，并不需要将离散特征的取值扩展到欧式空间，因此使用标签编码。例如在二分类任务中，通常把类标签中的normal 映射为数值 0，anomaly 映射为数值 1。不同特征的数据值往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除特征之间的量纲影响，需要进行归一化处理。原始数据经过式（20）处理后，各数据处于区间 0,1，适合进行综合对比评价。74 南昌航空大学学报：自然科学版第 37 卷Xnormalized=XXminXmaxXmin(20)3.3 转换函数对比本 实 验 使 用 sigmoid 函 数(SSA_sigmoid)和tanh 函数(SSA_tanh)实现对 SSA 的连续搜索空间进行二进制化，以研究使用 2 种转换函数的效果。基于适应度函数的值，提出 3 种指标来对比SSA_sigmoid 和 SSA_tanh 的性能。fiti1)适应度最小值(最佳适应度值)：通过对 2 个算法分别进行 10 次独立运行实验而获得的最小适应度值，如式（21）所示，表示每次实验的最佳适应度值。fitbest=10mini=1fiti(21)2)适应度平均值：通过 10 次实验得到的适应度值的平均值，如式（22）所示。fitmean=11010i=1fiti(22)3)适应度最大值：通过 10 次实验得到的适应度的最大值，如式（23）所示。fitworst=10maxi=1fiti(23)SSA_sigmoid 和 SSA_tanh 2 种算法的比较结果如表 2 所示，粗体表示最佳结果。通过对比，SSA_tanh 算法在适应度的最小值、平均值和最大值等 3 个指标中，结果均为最佳。图 4 展示了 2 种算法基于 NSL-KDD 和 UNSW-NB15 数据集的收敛结果。通过观察，SSA_tanh 比 SSA_sigmoid 具有更高的收敛速度和更小的适应度值。综上所述，可以得出用于离散 SSA 搜索空间的 tanh 函数方法要优于使用传统的 sigmoid 函数方法的结论。表 2 两种算法基于适应度值的比较数据集fitbestfitmeanfitworstSSA_sigmoidSSA_tanhSSA_sigmoidSSA_tanhSSA_sigmoidSSA_tanhNSL-KDD0.523 00.503 40.527 80.515 90.531 20.525 3UNSW-NB150.477 20.472 80.479 90.476 40.481 60.478 4 (a)NSL-KDD(b)UNSW-NB150501001502000.500.520.540.560.58适应度值迭代次数/代050100150200迭代次数/代SSA_sigmoidSSA_tanh0.4750.4800.4850.4900.4950.500适应度值SSA_sigmoidSSA_tanh 图 4 基于两种数据集的收敛图 3.4 算法性能对比在本节中，MSFSA 与多种优秀的过滤式和封装式算法进行了比较。同时，为了保证算法改进的有效性，也与基于 SSA 的特征选择算法进行了对比。为保证公平性，所有用来对比的算法均使用经过相同预处理步骤得到的数据集进行训练，因此实验结果可能与原文中的结果有些许差异。所有对比算法都经过 10 次独立运行，根据选择的特征数 第 2 期蔡 昊，李军华，周 成：基于改进麻雀搜索算法的特征选择在入侵检测中的应用 75 量、准确率、FPR、TPR、和 F-score 进行评估，并且各项指标的最优结果在表 3 中均以粗体显示。首先，使用决策树算法对本文提出的算法与其他 10 种算法基于 NSL-KDD 数据集进行评估对比，所有模型在同一数据集上以相同的方法进行训练，以保证实验结果的公平性。其中，“NULL”表示不采用任何特征选择方法的原始数据。如表 3 所示，MSAGOA 取得最低的 FPR 值，但本文提出的MSFSA 在其他指标均获得最优结果，并且 FPR 值与 MSAGOA 的结果仅相差 1.28%。表 4 为使用UNSW-NB15 数据集进行训练和测试的对比结果。其中，Cosine_PIO 算法的FPR 值最低，而MSFSA在其他方面均取得了最优结果。基于 NSL-KDD 和 UNSW-NB15 数据集测试了使用特征选择对模型训练和测试的时间影响。如表 5 所示，特征的数量会极大地影响训练和测试模型所需的时间。由上述实验结果可以看出，本文提出的算法在 2 个数据集上都有出色的寻优能力，各个指标均优于原始的 SSA，说明本文对 SSA 的改进是有效 表 3 基于 NSL-KDD 数据集的分类结果算法特征数量/个准确率/%FPR/%TPR/%F-score/%NULL4179.535.0366.3478.68Cosine_PIO(Cosine_Pigeon Inspired Optimizer)10589.598.8188.3890.62NSGA2-LR(Non-dominated Sorting Genetic Algorithm-II_Logistic Regression)111477.043.7562.5075.60TIDCS(Trust-based Intrusion Detection and ClassificationSystem)12578.098.9068.2578.00CFS-BA(Correlation-based Feature Selection-BatAlgorithm)131082.435.9373.6382.68ECAGOA(Ensemble of Feature Selection and ChaoticAdaptive Grasshopper Optimization Algorithm)141573.3113.1363.0672.90MSAGOA(Multi-Swarm Adaptive GrasshopperOptimization Algorithm)15583.433.4873.5383.48SDN(Software Defined Networking)架构16980.454.1268.7880.02自适应分箱17881.385.9371.7881.44SPISSA(Spark-based Improved Sparrow SearchAlgorithm)18679.3310.9171.9579.85SSA489.238.8187.7490.26MSFSA491.244.7691.2492.22 表 4 基于 UNSW-NB15 数据集的分类结果算法特征数量/个准确率/%FPR/%TPR/%F-score/%NULL4352.5631.2139.3247.72Cosine PIO10591.282.8288.5293.25NSGA2-LR111690.636.1089.1092.83TIDCS12588.5811.6388.6791.35基于规则191390.3214.5691.6192.87GBDT-RFE(Gradient Boosting Decison Tree-Recursive Feature Elimination)202089.303.8286.0791.63SSA691.0112.7988.1093.03MSFSA592.063.3592.0594.17 76 南昌航空大学学报：自然科学版第 37 卷可行的。同时，相较于使用原始数据进行分类的结果，数据经过 MSFSA 预处理后的 IDS 模型具有更好的分类性能。4 结束语针对网络流量存在不相关和冗余特征对入侵检测性能的不良影响，本文提出了一种基于多策略融合的二进制麻雀搜索算法(MSMBSSA)的特征选择算法(MSFSA)。在搜索阶段，MSMBSSA 使用 tanh 函数将连续搜索空间转换为二进制搜索空间；结合 Levy 飞行和动态自适应加权策略，改进探索者的位置更新策略，提升探索者的寻优能力；使用动态自适应加权策略结合服从标准正态分布的随机数改进追随者的位置更新策略，增加追随者的位置调整范围；通过两阶段变异算子，对每次迭代中最优的个体进行变异，增加种群多样性。评估阶段使用决策树的分类结果作为适应度函数，挑选出最优特征子集。在 NSL-KDD 和 UNSW-NB15 数据集上的验证实验结果表明，MSFSA 能够在选择最少的特征数量的同时，获得了较优的分类性能。【参考文献】AMINI F,HU G P.A hybrid two-layer feature selection method using genetic algorithm and elastic net J.Expert systems withapplications,2021,166:144072.1ELMASRY W,AKBULUT A,ZAIM A H.Evolving deep learning architectures for network intrusion detection using a double PSOmetaheuristic J.Computer networks,2019,168(10):107042.2SETH J K,CHANDRA S.Intrusion detection based on key feature selection using binary GWO C.3rd international conference oncomputing for sustainable global development.Piscataway:IEEE,2016:3735-3740.3崔建双,吕玥,徐子涵.基于地标特征和元学习方法推荐最适用优化算法 J.控制与决策,2021,36(5):1223-1231.4XUE J K,SHEN B.A novel swarm intelligence optimization approach:sparrow search algorithm J.Systems science&controlengineering,2020,8(1):22-34.5GOT A,MOUSSAOUI A,ZOUACHE D.Hybrid filter-wrapper feature selection using whale optimization algorithm:A multi-objectiveapproach J.Expert systems with applications,2021,183:115312.6NASA-NGIUM P,SUNAT K,CHIEWCHANWATTANA S.Enhancing modified cuckoo search by using Mantegna Levy flights andchaotic sequences C.Computer science and software engineering.Piscataway:IEEE,2013:53-57.7TAVALLAEE M,BAGHERI E,LU W,et al.A detailed analysis of the KDD CUP 99 data set C.IEEE symposium on computationalintelligence for security and defense applications.Piscataway:IEEE,2009:1-6.8MOUSTAFA N,SLAY J.UNSW-NB15:A comprehensive data set for network intrusion detection systems(UNSW-NB15 network dataset)C.Military communications and information systems conference.Piscataway:IEEE,2015:1-6.9ALAZZAM H,SHARIEH A,SABRI K E.A feature selection algorithm for intrusion detection system based on pigeon inspiredoptimizer J.Expert systems with applications,2020,148:113249.10（下转第 100 页）表 5 特征选择对时间的影响时间/msNSL-KDDUNSW-NB15所有特征4个特征所有特征5个特征模型训练775.997.2700.336.3模型测试4.72.032.414.2 第 2 期蔡 昊，李军华，周 成：基于改进麻雀搜索算法的特征选择在入侵检测中的应用 77 LIU S,QI L,QIN H,et al.Path aggregation network for instance segmentation C.Proceedings of the IEEE conference on computervision and pattern recognition.Salt Lake City:IEEE,2018:8759-8768.12BOCHKOVSKIY A,WANG C Y,LIAO H Y M.Yolov4:Optimal speed and accuracy of object detection DB/OL.2022-12-22.https:/arxiv.org/abs/2004.10934.13JOCHER G.YOLOv5 release v5.0 EB/OL.2022-12-22.https:/ G.YOLOv5 release v6.1 EB/OL.2022-12-22.https:/ C,LI L,JIANG H,et al.YOLOv6:A single-stage object detection framework for industrial applications DB/OL.2022-12-22.https:/arxiv.org/abs/2209.02976.16WANG C Y,BOCHKOVSKIY A,LIAO H Y M.YOLOv7:Trainable bag-of-freebies sets new state-of-the-art for real-time objectdetectors DB/OL.2022-12-22.https:/arxiv.org/pdf/2207.02696.17 （上接第 77 页）KHAMMASSI C,KRICHEN S.A NSGA2-LR wrapper approach for feature selection in network intrusion detection J.Computernetworks,2020,172:107183.11CHKIRBENE Z,ERBAD A,HAMILA R,et al.TIDCS:A dynamic intrusion detection and classification system based feature selectionJ.IEEE access,2020,8:95864-95877.12ZHOU Y,CHENG G,JIANG S,et al.Building an efficient intrusion detection system based on feature selection and ensemble classifierJ.Computer networks,2020,174:107247.13DWIVEDI S,VARDHAN M,TRIPATHI S.An effect of chaos grasshopper optimization algorithm for protection of networkinfrastructure J.Computer networks,2020,176:107251.14DWIVEDI S.Detecting anonymous attacks in wireless communication medium using adaptive grasshopper optimization algorithm J.Cognitive systems research,2021,69:1-21.15HADEM P,SAIKIA D K,MOULIK S.An SDN-based intrusion detection system using SVM with selective logging for IP tracebackJ.Computer networks,2021(4):108015.16刘景美,高源伯.自适应分箱特征选择的快速网络入侵检测系统 J.西安电子科技大学学报,2021,48(1):176-182.17CHEN H,MA X,HUANG S.A feature selection method for intrusion detection based on parallel sparrow search algorithm C.202116th international conference on computer science&education.Piscataway:IEEE,2021:685-690.18KUMAR V,SINHA D,DAS A K,et al.An integrated rule based intrusion detection system:Analysis on UNSW-NB15 data set and thereal time online dataset J.Cluster computing,2020,23(3):1397-1418.19周杰英,贺鹏飞,邱荣发,等.融合随机森林和梯度提升树的入侵检测研究 J.软件学报,2021,32(10):3254-3265.20 100 南昌航空大学学报：自然科学版第 37 卷