优化PSO-BP算法及其在校园网安全日志分类上的应用

伴随着传统教育步入大数据时代,高校对于大数据安全平台的部署和数据挖掘变得越来越广泛和深入。为了提高高校海量安全日志的识别分类准确率,预测网络攻击行为,避免高校校园网因网络攻击造成更多的损失,本文提出了一种改进的基于粒子群优化的BP(back propagation)神经网络强学习算法,用于校园网安全日志的分类,提取日志中的属性值作为BP神经网络的输入值,利用粒子群优化算法(PSO)初始化BP神经网络连接权值和阈值,结合Adaboost算法的思想将多个BP神经网络弱学习算法组合构建为一个强学习算法,并针对校园网海量日志存在的非平衡数据及算法本身等问题提出改进,设计基于Adaboost优化的PSO-BP算法的校园网安全日志分类模型。利用真实校园网安全日志数据进行验证,实验结果表明经过改进的算法可以提高BP弱学习算法的分类性能,适用于识别安全日志,预测攻击行为。