基于成本敏感遗传算法的WSN入侵安全检测研究

李国庆

摘 要： 为了降低WSN入侵檢测过程中的能量成本消耗，提高入侵检测的准确率，提出一种基于成本敏感遗传算法的WSN入侵检测方法。阐述了WSN入侵检测中的成本敏感思想，将每一个无线传感器入侵检测的准确率、入侵检测消耗时间和相对应的成本总值作为基础，并利用成本敏感遗传算法构建WSN入侵检测的优化模型，在此基础上进行遗传操作，用于解决WSN入侵检测过程中对各传感器检测的持续时间、检测准确率和检测消耗的能量成本的优化配置问题，从而为WSN入侵检测中的能量成本控制提供准确的依据。仿真实验结果表明，利用改进算法进行WSN入侵检测，能够减少入侵检测时的能量成本，同时提高检测的准确率，效果令人满意。

关键词： 成本敏感； 遗传算法； 传感器； 准确率； WSN； 入侵

中图分类号： TN915.08?34； TP301.6 文献标识码： A 文章编号： 1004?373X（2018）05?0033?04

Abstract： In order to reduce the cost of energy consumption and improve the accuracy of WSN intrusion detection， a WSN intrusion detection method based on cost sensitive genetic algorithm is proposed. The cost sensitive thought in WSN intrusion detection is elaborated. According to the accuracy rate and time consumption of WSN intrusion detection， and total cost corresponding to time consumption， the cost sensitive genetic algorithm is used to construct the optimization model of WSN intrusion detection. On this basis， the genetic operation is performed to realize the optimal allocation of detection duration time， detection accuracy and detection energy cost of each sensor in WSN intrusion detection process， so as to provide the accurate basis for energy cost control in WSN intrusion detection process. The simulation experimental results show that the improved algorithm can reduce the energy cost of intrusion detection and improve the detection accuracy for WSN intrusion detection， and has satisfied effect.

Keywords： cost sensitivity； genetic algorithm； sensor； accuracy rate； WSN； invasion

0 引 言

随着无线传感技术的迅猛发展，无线传感网络（WSN）已经成为人们生活中不可缺少的一部分[1]，与此同时，WSN入侵的手段也越来越多，严重威胁着WSN的安全[2]。如何快速检测出各类WSN入侵[3]， 保障WSN与信息的安全，已经成为摆在人们面前的一道难题，同时也成为IT领域的一个研究热点[4]。

当前阶段，已经有很多国内外学者针对WSN入侵检测的问题进行研究[5]，并取得了良好的效果。当前阶段，主要的WSN入侵检测的方法包括基于人工免疫算法的WSN入侵检测方法[6]、基于神经网络的WSN入侵检测方法[7]、基于蚁群算法的WSN入侵检测方法[8]、基于遗传算法的WSN入侵检测方法[9]等，其中最常用的是基于遗传算法的WSN入侵检测方法[8]。由于WSN入侵检测方法在保障WSN运行安全和信息安全方面有着不可替代的作用，因此，研究该课题具有重要意义。

本文针对传统算法存在能量成本消耗大等问题，提出依据成本敏感遗传算法的WSN入侵检测方法。将每一个无线传感器入侵检测的准确率、入侵检测消耗的时间和相对应的成本总值作为基础，并利用成本敏感遗传算法构建WSN入侵检测的优化模型。仿真实验结果表明改进算法在WSN入侵检测方面具有显著的优势。

1 成本敏感思想

在WSN入侵检测中，需要在确定初始入侵检测消耗能量成本的前提下，对入侵检测能量消耗成本进行优化，重新确定最低入侵检测的能量消耗成本。成本敏感控制方法的核心是动态控制，其价值在于提高WSN资源管理能力，延长WSN运行寿命。由于在WSN中，无线传感器的能量是一定的，因此，对WSN入侵检测的能量成本进行控制就成为当前WSN业界关心的热门话题。

为了对WSN入侵检测中能量消耗成本进行优化控制，利用遗传算法解决WSN入侵检测能量成本优化配置的问题，从而实现入侵检测时能量消耗成本的最小化。利用遗传算法能够解决非线性问题的全局最优问题，具有可并行性、高效性等优点。

2 建立成本敏感遗传算法的入侵检测模型

自然界中所有的生物都遵循着物竞天择，适者生存的生存法则，遗传算法就是按照这种生存法则进行模拟，通过对不同的生物群体进行选择、杂交等实验，最终得到最满意解。设定选择算子，最终实现目标函数的优化。endprint

在WSN入侵检测的过程中，编码是关键的一个环节。它主要影响个体染色体的排列方式，同时也决定着基因从搜索空间到解空间的编码方式。因此，将每一个无线传感器入侵检测的准确率、入侵检测消耗时间和相对应的成本总值作为基础，并利用成本敏感遗传算法构建WSN入侵检测的优化模型，如下所述：

目标函数：

式中：为入侵检测的能量成本；为入侵检测能量成本控制的初始目标值；表示能量成本与初始目标值之差的绝对值；，对于每一个无线传感器而言是一个常数；分别为考虑计划检测时间和检测准确率后的能量成本在所有入侵检测能量成本中占的比例；为第一次检测失败后重新检测的能量成本；为检测第个无线传感器的准确率；为WSN系统的入侵检测准确率；为目标检测准确率。

3 入侵检测的实现过程

3.1 遗传算法的操作

遗传算法的操作具体如下：

1） 编码过程。遗传算法的编码过程是极其复杂的，编码方法也是多种多样。入侵检测时，无线传感器所消耗的能量以及检测准确率所带的浮点，都被看作是一个单位基团，不同的染色体对应着不同问题的解。

2） 遗传算子。在遗传算法中，遗传算子有很多种类。变异算子模拟生物体中的基因突变引起的性状改变。为了提高收敛速度，增加群体的多样性，在遗传操作的过程中需要适度保留一些具有显著差异性的个体，具体公式如下：

式中：为当前进化的代数；为预设的最大进化代数。

3） 相关参数的设置与进化终止条件。设置染色体的总长度为WSN入侵检测中无线传感器的总数目，群体的规模为进化达到最大代数时的参数为当进化到最大代数时就停止进化，并且将当前的最优个体作为最优解输出。

3.2 入侵检测的流程

基于成本敏感遗传算法的WSN入侵检测方法不是简单的优化控制，而是优化和控制一起进行，实现WSN入侵检测成本的动态控制。具体的WSN入侵检测优化控制过程如图1所示。

4 实验结果与分析

4.1 实验环境设置

为了验证改进算法在WSN入侵檢测方面的有效性及可行性，实行一次仿真实验对比分析。实验数据来源于KDD CPU数据集，每条数据的长度均包含41个字段，随机抽取68条数据作为训练集，随机抽取12 432条数据作为测试集。

已知某WSN的结构如图2所示。

相关参数的设置为：。

为了验证改进算法的先进性，利用传统的遗传算法进行对比实验。

4.2 不同算法实验结果及分析

利用传统算法进行WSN入侵检测，获得的实验结果如图3所示。

利用改进算法进行WSN入侵检测，获得的实验结果如图4所示。

图3为传统的遗传算法在WSN入侵检测过程中的误差平方和曲线与适应度曲线，图4为改进的遗传算法在WSN入侵检测过程中的误差平方和曲线与适应度曲线。从实验结果能够得知，利用传统算法进行WSN入侵检测，需要经过进化大约500代，染色体的平均适应度值才逐渐趋于稳定，收敛时间约为13.98 s，入侵检测的误差为0.089。利用改进算法进行WSN入侵检测，需要经过进化大约400代，染色体的平均适应度值逐渐趋于稳定，收敛时间约为11.41 s，入侵检测的误差为0.038。从上述实验结果可以看出，改进算法的进化次数更少，因此，入侵检测消耗的能量也更少，从而延长了WSN的使用寿命。入侵检测的准确率定义如下：

不同算法的WSN入侵检测的准确率如表1所示。

根据表1中的实验数据能够得知，利用传统算法进行WSN入侵检测，对于单一类型的入侵，最高的检测准确率只有95.32%，最低的检测准确率为92.76%，具有较大的检测误差，难以保证WSN的安全运行；利用改进算法进行WSN入侵检测，准确率均高于98%，能够保证WSN的安全，实现WSN入侵检测成本的动态控制，并实现参数的优化。

5 结 语

针对传统算法在WSN入侵检测方面的缺陷，提出基于成本敏感遗传算法的WSN入侵检测方法。将每一个无线传感器入侵检测的准确率作为基础，构建WSN入侵检测的优化模型。仿真实验结果表明，利用改进算法进行WSN入侵检测，能够减少入侵检测时的能量成本，同时提高检测的准确率，效果令人满意。

参考文献

[1] 于仁清，何波贤，关越巍，等.基于供应链管理的机载导航设备库存控制研究[J].电子设计工程，2015，45（17）：141?143.

YU Renqing， HE Boxian， GUAN Yuewei， et al. Stock control research of airborne navigation equipment based on SCM [J]. Electronic design engineering， 2015， 45（17）： 141?143.

[2] 杨建，刘述木，黎远松.一种基于改进遗传算法的WSN负载均衡聚类算法[J].西南师范大学学报（自然科学版），2015，25（10）：41?48.

YANG Jian， LIU Shumu， LI Yuansong. A load balancing clustering algorithm based on improved genetic algorithm in WSN [J]. Journal of Southwest China Normal University （natural science edition）， 2015， 25（10）： 41?48.

[3] 易猛，陈庆奎，章刚.UGA：基于遗传算法的WSN动态覆盖优化算法[J].计算机工程与应用，2015，51（20）：77?80.endprint

YI Meng， CHEN Qingkui， ZHANG Gang. UGA： WSN dynamic coverage optimization algorithm based on improved genetic algorithm [J]. Computer engineering and applications， 2015， 51（20）： 77?80.

[4] 张羽.基于SOM?GA?SVM的网络入侵检测研究[J].网络安全技术与应用，2014，32（4）：140?141.

ZHANG Yu. Research on network intrusion detection based on SOM?GA?SVM [J]. Network security technology & application， 2014， 32（4）： 140?141.

[5] 许必宵，张欣慧，徐晶晶.基于改进遗传算法PFGA的WSN节点定位优化[J].南京邮电大学学报（自然科学版），2016，36（3）：92?99.

XU Bixiao， ZHANG Xinhui， XU Jingjing. Optimized localization in WSN based on improved genetic algorithm PFGA [J]. Journal of Nanjing University of Posts and Telecommunications （natural science）， 2016， 36（3）： 92?99.

[6] 何常胜，赵小河，陈安.基于遗传算法和后代校正的WSN覆盖和连通性优化方案[J].湘潭大学自然科学学报，2016，38（2）：89?93.

HE Changsheng， ZHAO Xiaohe， CHEN An. WSN coverage and connectivity optimization scheme based on genetic algorithm and offspring correction [J]. Journal of Xiangtan University （natural science）， 2016， 38（2）： 89?93.

[7] 张晶，薛冷，容会.基于GA优化BP神经网络的WSN数据融合技术研究[J].山西大学学报（自然科学版），2015，38（2）：185?191.

ZHANG Jing， XUE Leng， RONG Hui. Data fusion based on the GA?BP neural networks in WSNs [J]. Journal of Shanxi University （natural science edition）， 2015， 38（2）： 185?191.

[8] 刘章，谭阳.改进遗传算法的WSN节点最优路由选择策略[J].计算机工程与应用，2015，51（13）：101?105.

LIU Zhang， TAN Yang. Routing selecting strategy based on improved genetic algorithm for wireless sensor networks [J]. Computer engineering and applications， 2015， 51（13）： 101?105.

[9] 夏俊，凌培亮，虞丽娟.基于量子遗传算法的无线传感网络路由优化[J].同济大学学报（自然科学版），2015，43（7）：1097?1103.

XIA Jun， LING Peiliang， YU Lijuan. Routing optimization on wireless sensor networks based on quantum genetic algorithm [J]. Journal of Tongji University （natural science）， 2015， 43（7）： 1097?1103.endprint