入侵检测系统(Intrusion Detection Systems，IDS)是指鉴别出对于网络、系统威胁或破坏的行径，然后对这一行径有所响应的过程[1].IDS作为一种主动式的网络安全防御系统，主要是用于防范内部网与外部网的攻击行为，是近些年飞速发展起来的一种动态的集预防、监控和抵御系统入侵行为为一体的新型安全防御机制[2].虽然IDS是计算机网络安全领域的研究热点，但其检测方法依然存在很多不足，如主动防御功能的局限性、误报率和漏报率高、入侵检测方法的局限性等缺陷.

叶片采用叶表皮离析法：选取3个分布区形态大小基本一致的新鲜成熟叶片，在其叶片近中脉的区域剪取1 cm×1 cm的小块，放入FAA固定液中固定。将固定好的材料放入等量的30%过氧化氢和冰醋酸中(1∶1)[12]，在60℃恒温箱中放置18 h充分分离，取上、下表皮，LEICA DM2500型光学显微镜下观察叶片上、下表皮形态拍照、记录并测量相关数据。

机器学习算法是当今入侵检测领域最热门的研究课题，研究最多的有支持向量机算法(Support Vector Machine，SVM)[3]、神经网络(neural network，NN)[4]和聚类算法[5]等，其中SVM作为主流的机器学习方法之一，由于有很好的推广性、较高的检测率等特点，近年来被广泛应用于网络入侵检测的研究中.然而，支持向量机在应用方面仍存在一些不足之处，如缺乏对核函数选择的研究和SVM参数的选取有一定主观性.为此，本文拟对核函数加以改进，并与群智能寻优算法相耦合来提高网络入侵检测方法与性能.

(5)在矿区施工的ZK300-1、ZK304-1深部(标高-180m上下)均见有锡矿化，说明本区深部蚀变带发育有一定规模的锡矿体[12]。

量子粒子群优化算法(Quantum Particle Swarm Optimization，QPSO)是受到量子力学的启发提出的算法，具有并行计算和鲁棒性好等特点，现已被成功应用于函数极值仿真和算法优化等问题的求解[6].基本QPSO算法在迭代过程中也可能出现收敛速度缓慢、陷入“早熟停滞”等问题.本文在研究QPSO算法原理基础上，提出了优化的IQPSO算法，将其作用于SVM模型参数的寻优中；并以SVM机器学习算法为入侵检测分类器，构建了基于IQPSO-SVM算法的网络入侵检测方法.通过IQPSO算法对SVM的参数优化调整，从而提高网络入侵检测系统的检测性能.实验结果验证了基于IQPSO-SVM算法入侵检测方法的有效性.

1 相关算法研究

1.1 SVM算法

支持向量机是一种基于统计学理论的学习方法，将其描述为数学语言，即样本集{(x1,y1),(xi,yi),(xn,yn)}通过非线性映射函数将样本的训练数据映射到高维的特征空间，并在该空间进行线性回归，得到相应的拟合函数，见式(1).

f(x)=wTφ(x)+b

(1)

式中，w为空间超平面的权值向量，b为阈值常数.SVM回归模型目的是将训练误差最小化，如式(2)，(3)所示.

Θε(yi,wTφ(xi)+b)

常见断路器的温升间接计算法包括有限元法[5]和热通道法[6]。有限元法需建立设备及其运行环境的准确模型，模拟EM断路器的工况，该法准确度较高，但设备结构复杂时建模工作量大且计算速度较慢，适用于产品设计和理论分析阶段。等效热通道模型法将设备自身与周围环境的热传递过程等效为一个分布参数热通道模型，易于实现。

(2)

Θε(y,

(3)

式中，Θε(y,f(x))为损失参数的不敏感损失函数，它能够在高维特征空间找到最优分类面，并把样本集分成两个子集.在高维特征空间中，支持向量机是在训练样本和不敏感损失函数之间寻找最优分类面，并最小化训练样本误差.因此，最优约束问题可转化为式(4)：

minRε(w,ξ*，ξ，ξi)

(4)

Step4：判断算法是否满足迭代终止条件，若是，转向Step6；否则执行Step5.

式中，C称为惩罚参数，，ξ为松弛因子.在求解该二次优化问题后，式(1)中的向量w可由式(5)求得：

2011年10月，在面向全社会公开征求意见的基础上，财政部、科技部联合印发了《关于调整国家科技计划和公益性行业科研专项经费管理办法若干规定的通知》（财教〔2011〕434号，以下简称《通知》），对公益性行业科研项目经费的开支范围、预算编制和结余资金管理、主管部门和项目单位的管理职责进行了调整和进一步的明确。新出台的《通知》有明确的政策导向，将对水利公益性行业科研专项项目的管理产生重大影响。

(5)

式中，αi，为求解二次方程得到的拉格朗日乘数.得到最终的决策函数，如式(6)所示.

基于IQPSO-SVM算法的入侵检测方法n(n-1)/2由个SVM组合来实现多类攻击类型的分类，每个SVM由相应的2类样本进行训练.因为基础的SVM是主要应用于解决二分类问题，无法满足多样化攻击种类的检测，因此需要通过构造多个SVM分类器来实现样本分类.数据检测是利用SVM机器学习的分类功能，通过投票法(Max-Wins Voting，MWV)对检测数据进行优胜劣汰选择，从而输出测试样本的类别，测试样本的类别则通过每一层SVM检测到的结果进行判别[12].检测的结果可分为如下2种状态：1表示检测结果为正常，未发生入侵行为；-1表示检测结果为异常，发生入侵行为.

(6)

式中，K(x,xi)=φ(x)φ(xi)称为f(x)的核函数.在空间变换过程中，只需要符合Mercer理论的函数都可作为核函数，它决定着特征空间结构.常用的核函数有以下4种：(1)线性核函数：K(x,xi)=x·xi； (2)多项式核函数：K(x,xi)=(〈x,xi〉+c)d，该空间的维度为，其中m为原始空间的维度；(3)高斯核函数：K(x,xi)=exp(-g‖x-xi‖2)，式中，g为高斯核函数的参数；(4)反正切核函数：K(x,xi)=tanh(s·xxi+θ).

由上述分析可知，参数的确定是模型检测的关键因素.本文SVM核函数选取运行时间短、分类准确率高的高斯核函数作为入侵检测分类的决策函数.

1.2 QPSO算法

1.2.1 粒子的量子编码方式

在QPSO算法中，每个粒子的量子位都有|0>态和|1>态这2种基本状态，任意时刻量子位的状态都可看做这2种基本态的线性组合，即：φ=μ|0>+v|1>.采用这种方式进行编码，并用|μ|2，|v|2分别表示叠加态处于|0>态和|1>态的概率，并满足|μ|2+|v|2=1.编码方案如式(7)所示.

捕获模块完成信号的粗捕获,采用本地捕获序列与接收信号做相关运算,可以从信号和噪声的混合波形中检测出目标信号,实现捕获[12]。与相关模块类似,内部同样包括4路相关器。输出的信号与给定的门限值进行比较,如果相关峰高于门限值,就说明捕获成功,否则继续捕获。捕获成功后会启动计数器进行延时,延时一段时间后开始采集估计信号。

 

(7)

式中，θij为(0,2π)之间的随机角，i=1,2,…,m；j=1，2，…,n；m为种群的规模；n为空间维数.这样种群的每个粒子编码后都占据以下两个位置，对应的概率幅[7]如式(8)所示：

 

(8)

1.2.2 解空间变换

由于粒子的遍历空间每维的取值范围均在[-1，1]之间,为了计算粒子当前位置适应度，需要把每个粒子占有的2个位置由I=[-1,1]n映射到优化问题范围的解区间.设粒子P上的第i个量子位为,,对应解区间变量的计算公式如式(9)所示.

 

(9)

式中，αi和bi分别为粒子搜索范围的上下限. 每个粒子对应优化问题的2个解：量子态|0>的概率幅对应于；量子态|1>的概率幅对应于.

1.2.3 粒子状态更新

QPSO算法粒子状态的更新以基本PSO算法为依据，粒子位置的变化通过量子旋转门完成，速度的更新转化为量子旋转门幅角的更新.

幅角增量的更新见式(10)：

Δθij(t+1)=wΔθij(t)+c1r1(θilj-θij)+c2r2(θgj-θij)

(10)

式中，w为惯性因子，c1，c2分别为自身因子、全局因子.r1,r2为[0,1]之间的随机数.θilj，θgj)分别为粒子寻优得到的最优幅角值.

量子位概率幅的更新见式(11)：

国有企业物业管理党建要坚持把生产经营服务当作自己的中心工作抓实抓好，强化服务品牌的塑造，提升企业的软实力，企业党建才能焕发强大的生命力，真正使党建工作和企业生产经营实际合体同心。

 

 

 

(11)

由式(11)可知，量子旋转门可以改变量子的相位，使粒子占据的2个位置同时移动.在种群规模相同的情况下，与PSO算法相比，QPSO算法能够增加寻优的遍历性，并提升优化效率.

2 IQPSO-SVM算法的设计

在IQPSO算法中，粒子表示的是待求解问题的可行性存在解，它们都有位置和速度，且以一定的速度在搜索空间中飞行，粒子位置状态变化的过程实质上就是问题的求解过程[8].

由支持向量机算法的理论可以看出，SVM的分类性能除了与选取的核函数参数g有关外，还与惩罚参数C有关.其中，参数g的取值影响输入空间与特征空间之间的映射.参数C的值既影响着平衡训练误差，又影响着模型复杂度.所以想要得到最佳的检测效果，就要得到最佳的SVM参数.选取参数的传统方法主要有实验对比法、经验法、网格搜索法和交叉验证法，而这些方法都具有效率低、费时等缺点[9].为了解决此类问题，本文利用优化以后的IQPSO算法对SVM的参数进行优化，最后设计了基于IQPSO-SVM算法的网络入侵检测方法.

2.1 IQPSO算法设计

量子粒子群算法在迭代寻优过程中，粒子的位置依据当前势阱中心的变化进行变化，而粒子的位置决定了其适应度值大小[10].在QPSO算法迭代搜索运行前期粒子远离势阱中心，粒子群中个体间差异较大，适应度值较大；在QPSO算法迭代搜索中后期，随着粒子与势阱中心的间距变小，粒子群中个体间差异也随之变小，粒子的适应度值将逐渐减小或者陷入局部极值处于停滞状态[11].若种群在迭代过程中陷入局部极值，则算法不能搜寻出全局最优值.

根据上述研究，针对粒子的聚集度不断提高，种群的多样性快速下降，迭代过程粒子可能收敛于局部极值的缺陷，本文提出了优化改进的IQPSO算法.首先引入QPSO算法早熟收敛判定标准，其次在平均最优位置加入高斯扰动，具体过程见下列内容.

2.1.1 早熟收敛判定标准

在QPSO算法中，粒子的位置决定了其适应度值大小，若种群在迭代过程中陷入局部最值，则算法不能搜寻出全局最优值.设种群的适应度方差为s2，其定义见式(12).

mbest(t)=mbest(t)+τ·randn,t=1,…,m

 

(12)

 

(13)

式中，m是粒子种群规模，f为归一化因子；fm为第m个粒子的适应度，favg为当前种群的平均适应度.s2表示全部粒子的聚集程度.s2越小，表明粒子越集中.这里设定一个阈值e，当算法迭代在迭代过程中，若判定s2<e，则进行高斯扰动操作避免陷入局部最优.

2.1.2 增加高斯扰动操作

基本QPSO算法随着粒子群聚集度的提高，种群的多样性会迅速降低，迭代结束后所有的粒子都将收敛于1个公共点，造成后期不能正常收敛.为提高QPSO算法后期的寻优精度，在平均最优位置加入高斯概率分布的随机扰动，如式(14)，(15)所示.

2010年,王棣被提升为西王集团副董事长。同年8月18日,西王集团北京运营中心正式启用。在他看来,西王集团在北京建立运营中心，村办企业走向首都,完成向国内大公司,甚至是国际化公司的转型,最大的困难在人上。在北京需要重新建立团队,运营中心第一批员工几乎都是由他亲自招聘,那个阶段可以称得上是西王的“二次创业”。

向量和物理学有着密切的联系，物理学研究的基本对象之一是矢量，矢量是既有大小又有方向的量.如力、位移、速度、加速度、动量、电场强度等，这些量贯穿于物理学的许多分支，矢量是现实存在的，可以观察、感受到的，物理学中的矢量是向量的现实模型；向量的加法运算可以以位移的合成为背景；向量的数乘运算以位移或速度的倍数为背景，可使学生对数与向量的数乘运算的结果仍然是向量有直观的认识；两个向量的数量积运算以力所做的功为背景.所以，向量及其运算是物理学中矢量及运算的抽象，教学中应引导学生从物理情境中抽象出数学概念和问题，培养学生的问题意识、创新意识和应用意识.

(14)

 

(15)

式中，mbest为所有粒子最优位置的均值，τ为常数，randn是均值为0、标准方差为1且满足高斯分布的随机数.

2.2 IQPSO 对SVM参数的优化

本文采用支持向量机机器学习方法建立网络入侵检测分类器，利用IQPSO算法优化SVM模型，构造了一种新的智能算法——IQPSO-SVM算法.该算法的本质就是利用IQPSO算法优化SVM中的相关参数，其具体步骤如下：

采用（SPSS21.0）专用软件对本组护理实验涉及到的数据信息进行分析，检验水准a=0.05，计量资料用t检验，计数资料用χ2检验，分别用均值标准差和百分比表示，组间差异显著，有统计学意义（P＜0.05）。

Step1：设定算法参数，如搜索维数、种群规模和迭代次数等，并利用式(7)初始化粒子种群.

Step2：根据式(9)解空间变换操作，由初始适应度评价每个粒子的优劣，若粒子当前位置优于历史最优位置，用当前目标更换；若当前种群全局位置优于历史最优位置，则用当前位置更换.

Step3：根据式(11)对粒子的速度和位置更新，确定并记录粒子的个体最优位置、平均最优位置及种群的全局最优位置.

图6为主固结时间与围压关系曲线图，从图6中可以看出主固结时间随围压的增大而延长，并且呈非线性关系。主固结完成时间tp与围压P可以用如下公式进行拟合得到：

约束条件为

基于IQPSO-SVM算法入侵检测方法的检测过程如下：

Step6：输出个体最优位置及其适应度值，算法结束.

Step7：在迭代结束之后，将此时得到的SVM的最优参数提取出来，并且建立IQPSO-SVM入侵检测模型，同时对需要测试的数据样本进行检测.

本文以仿真实验检测出的正确率、误报率以及漏报率为标准，并通过对评价标准的比较来衡量系统的性能.

3 IQPSO-SVM的检测模型

αi)K(x,xi)+b

基于IQPSO-SVM算法的入侵检测方法中采用SVM机器学习算法对数据进行预处理、训练与测试3个步骤.首先，数据预处理步骤中，利用SVM的mapminmax函数进行归一化[13]，将其处理成[0, 1]之间的实数.其次，训练即是由SVM算法对预先选定好的训练数据集进行入侵行为的判别测试，从而建立基于IQPSO-SVM算法的最优网络入侵检测模型.最后，测试即是通过基于IQPSO-SVM算法的最优网络入侵检测模型对测试数据进行测试分析，输出网络入侵检测结果.

αi)φ(xi)

Step5：根据式(12)计算种群的适应度方差，并判断s2是否大于阈值e，若是，根据式(14)，(15)对种群进行高斯扰动操作，而后转向Step2.

Step1：选取KDD99部分数据集.

Step2：归一化处理.由于针对输入差异性较大的样本矢量，将会使训练建模过程时间增大，或者致使样本无法收敛等问题，因此需对其进行归一化处理.利用网络数据特征属性，通过SVM对捕获的数据包进行数据归一化处理，其优势在于既加快了最优解求解过程的速度，又提高了数据的精度.

Step3：训练数据.将归一化处理的部分数据作为SVM的训练样本，通过IQPSO算法对SVM的参数值进行优化得到最佳参数值.通过匹配得出的最佳参数值作为基于IQPSO-SVM算法的入侵检测方法的最优参数，从而建立最优网络入侵检测模型.

Step4：测试数据.利用Step3步骤得出的最佳检测模型对另一部分数据集进行测试分析，并验证基于IQPSO-SVM算法检测方法的可行性.

其次，引导学员制定相关的阅读计划，建立读书会，鼓励学员分享阅读感受。举例而言，西点军校就设立有教务长读书俱乐部，目的是汇集不同的观点。教务长和学员一同读书。学员在读完一本书之后还要进行读书汇报。通过设立教务长读书俱乐部，西点军校引导其学员不断读书，不断读好书，为每位学员提供了分享看法与观点的平台。我们可以效仿西点军校的做法，成立世界军事名著读书俱乐部，精选世界军事名著，引导学员同步阅读，分享阅读感受。

Step5：通过Step4步骤，得出入侵检测结果.

基于IQPSO-SVM算法的入侵检测模型结构图如图1所示.

小组讨论的问题主要是针对课文的重点和难点，讨论的时机必须是学生对课文的感知已经达到一定程度，独立思考又不得其解之时。

  

图1 IQPSO-SVM的检测模型结构图Fig.1 Structural diagram of IQPSO-SVMdetection model

4 仿真实验与结果分析

4.1 实验环境

本文在Windows 7系统测试环境下，以Matlab 2012为实验平台，选取KDD CUP 99 中部分数据集作为实验测试依据[14].目前该数据集被认为最具权威的，主要用于入侵检测方法的性能测试.它的攻击类型较为全面、典型，同时其实验结果基本接近于一个实际应用的网络环境，能够保证实验的有效性和真实性.为了验证IQPSO-SVM算法的正确性和有效性，从KDD CUP 99 数据集随机抽取8 000条记录.其中，测试数据4 800条，训练数据3 200条.检测结果中除Normal表示正常事件，表示入侵行为的异常(Abnormal)有4种：拒绝服务攻击(DOS)、本地权限提升攻击(U2R)、远程攻击(R2L)和探测攻击(Probe)[15].

实验过程采用相同的数据集，对IQPSO-SVM算法与DNN算法和SVM算法作为参考模型进行比较.SVM算法作为原始入侵检测的模型与改进的IQPSO-SVM算法相比较，则实验检测结果更具有直观性.深度神经网络(Deep Neural Networks，DNN)算法作为机器学习领域的热门学习方法，能在有限和不完整的数据中进行泛化研究，并进行分布式处理等优点.DNN算法可通过自身的学习能力，训练出一个可以识别此类问题的模型应用于入侵检测中.因此，本文再次通过与主流机器学习方法DNN算法相比较，验证基于IQPSO-SVM算法的入侵检测方法的有效性.

本次实验测试中，设定实验测试函数的维数D=20，粒子群体数量m=50，最大迭代次数的取值为100；SVM的参数搜索范围为：C∈(0,100]，g∈(0,1 000]，IQPSO算法的阈值取5×10-6；DNN算法选取1个隐含层，即1个3层的网络结构.DNN算法的网络输入和输出的神经元数，依据数据的特征决定；激励函数选取正切S型函数，期望误差e=0.002.

4.2 实验结果分析

为了确保对比算法实验测试的有效性，本文从入侵检测方法的检测正确率、误报率、漏报率以及平均建模时间对3种算法进行评判，在匹配得出最优参数值后，分别选取各自200次测试数据中的平均值作为评价指标的参考值进行对比.其中3个评价指标分别定义如下：

误报率×100%

5.镓(Ga)与铝同主族,曾被称为“类铝”,其氧化物和氢氧化物均为两性化合物。工业制备镓的流程如下。下列判断不合理的是( )。

正确率×100%

漏报率×100%

实验过程中，SVM，IQPSO-SVM这两种算法以SVM作为入侵检测分类器，因此在训练阶段中，需要分别得出各自检测分类器的最优参数值，从而再进行测试阶段的性能分析.在训练过程中SVM，IQPSO-SVM这2种算法的最佳参数值如表1，3种算法评价指标对比结果见表2，图2.

 

表1 算法的最优参数值

 

Table 1 The optimal parameter value of the algorithm

  

算法最优模型参数CgSVM7.714 221.921 1IQPSO-SVM16.422 429.385 6

 

表2 3种算法的参数以及评价指标

 

Table 2 Parameters and evaluation results

 

by the three algorithms

  

模型评价指标(%)NormalDOSProbeR2LU2RSVM正确率误报率漏报率86.565.412.4285.429.395.0583.5614.642.8484.025.622.6684.785.483.66DNN正确率误报率漏报率89.423.031.6887.788.563.5586.1410.232.6586.624.072.3688.762.262.56IQPSO-SVM正确率误报率漏报率93.682.101.1692.357.242.6391.588.322.0491.732.831.8492.631.971.68

从表2的实验测试结果可知，在IQPSO-SVM算法结果中，Normal与其他4种攻击类型(DOS，Probe，R2L，U2L)的检测正确率分别为93.68%，92.35%，91.58%，91.73%和92.63%.相对于DNN算法与SVM算法，该4种检测类型的正确率有明显提高.其中，Normal类型检测的正确率分别提高了4.26%和7.12%；DOS类型检测的正确率分别提高了4.57%和6.93%；Probe类型检测的正确率分别提高了5.44%和8.02%；R2L类型检测的正确率分别提高了5.11%和7.71%；U2R类型检测的正确率分别提高了3.87%和7.65%.相对于4种类型的检测正确率有不同程度的提高，实验测试指标误报率和漏报率的指标也随之下降.

另外，由表1，表2实验测试结果可以看出，相对于DNN与SVM算法，基于IQPSO-SVM算法的入侵检测方法通过优化SVM的参数值，能够很好地提高模型的泛化能力，从而不仅增强了SVM的分类性能，而且提高了入侵检测方法的检测率.

IQPSO-SVM，DNN，SVM 3种算法平均建模时间对比图如图2所示.平均建模时间是指实验测试过程中建立网络入侵检测系统模型所花费的时间，它的大小体现了建模与检测结果的效率.由图2可知，相比于DNN算法及SVM算法，IQPSO-SVM算法的平均建模时间明显减少，入侵检测效率更优，收敛速度更快.

  

图2 3种算法平均建模时间对比图Fig.2 Comparison of average modeling timeby the three algorithms

6 结论

网络技术的迅猛发展，给日常的生活便利带来了前所未有的帮助.不容忽视的是网络安全问题也日益成为现实生活中的焦点问题.将支持向量机的学习方法应用于网络入侵检测中，参数的确定是模型检测的关键因素.为了避免支持向量机参数选取的随意性对检测性能产生的不利影响，本文提出IQPSO算法对SVM的参数、核函数参数进行寻优，经过优化后的SVM能够更有效的提高其网络入侵检测性能.在下一步的研究工作中将继续探索更有效的入侵检测方法.

参考文献：

[1] Luo S R, Kumar H, Singla R K. An intrusion detection system using network traffic profiling and online sequential extreme learning machine[J]. Expert Systems with Applications, 2015, 42(22): 8609-8624.

[2] Ambusaidi M A, He X, Nanda P, et al. Building an Intrusion Detection System Using a Filter-Based Feature Selection Algorithm[J]. IEEE Transactions on Computers, 2016, 65(10):2986-2998.

[3] Keerthi S S, Shevade S K, Bhattacharyya C, et al. Improvements to Platt's SMO Algorithm for SVM Classifier Design[J]. Neural Computation, 2014, 13(3):637-649.

[4] Belyi E, Giabbanelli P J, Patel I, et al. Combining association rule mining and network analysis for pharmacosurveillance[J]. Journal of Supercomputing, 2016, 72(5):2014-2034.

[5] 海 沫. 大数据聚类算法综述[J]. 计算机科学, 2016, 43(s1):380-383.

[6] Xue T, Li R, Tokgo M, et al. Trajectory planning for autonomous mobile robot using a hybrid improved QPSO algorithm[J]. Soft Computing, 2017, 21(9):2421-2437.

[7] 王锦坤, 邱碧丹. 基于量子粒子群算法的主动配电网优化调度研究[J]. 现代制造, 2016, (24):142-143.

[8] 冯 斌,王 璋,孙 俊.基于混沌变异算子的小生境量子粒子群算法[J]. 计算机应用与软件, 2009, 26(1):50-52.

[9] 汪华斌, 卢自立, 邱杰汉,等. 基于粒子群算法优化支持向量机的岩爆预测研究[J]. 地下空间与工程学报, 2017, 13(2):364-369.

[10] Hofstede R, Pras A. Real-Time and Resilient Intrusion Detection: A Flow-Based Approach[J]. 2017, 7279:109-112.

[11] Xue T, Li R, Tokgo M, et al. Trajectory planning for autonomous mobile robot using a hybrid improved QPSO algorithm[J]. Soft Computing, 2017, 21(9):2421-2437.

[12] Direito B, Teixeira C A, Sales F, et al. A Realistic Seizure Prediction Study Based on Multiclass SVM[J]. International Journal of Neural Systems, 2017, 27(03):470-472.

[13] 王成波, 李勇平, 王琳,等. SVM与归一化方法结合的人脸和指纹融合识别[J]. 微计算机信息, 2009, (4):235-237.

[14] Cho J, Lee C, Cho S, et al. A statistical model for network data analysis: KDD CUP 99’data evaluation and its comparing with MIT Lincoln Laboratory network data[J]. Simulation Modelling Practice and Theory, 2010, 18(4): 431-435.

[15] 马占飞, 张 涵. 面向入侵检测系统的EBP算法研究[J]. 微电子学与计算机, 2016, 33(6):117-122.