FAST-ABQGSA-SVM：一种新型网络入侵检测算法

"这篇论文提出了一种新型的网络入侵检测算法——FAST-ABQGSA-SVM，该算法结合了FAST特征选择和自适应二进制量子引力搜索支持向量机（ABQGSA-SVM）。FAST算法用于从原始特征集中筛选出相关性强的候选特征子集，然后通过ABQGSA进行特征子集与SVM参数的组合优化。在ABQGSA的学习过程中，动态调整量子旋转角以平衡全局和局部搜索能力，并引入自适应变异概率和量子位离散交叉操作来增强算法的适应性和跳出局部最优的能力。实验结果显示，FAST-ABQGSA-SVM算法在KDD CUP 99数据集上的表现优于其他同类检测方法，表现出更高的鲁棒性、学习精度和检测效果。" 这篇论文探讨了如何提高网络入侵检测的效率和准确性，其中的核心技术包括FAST特征选择和自适应二进制量子引力搜索算法（ABQGSA）与支持向量机（SVM）的融合。FAST特征选择是一种特征筛选方法，它能够去除特征集中的冗余和不相关特征，从而降低数据复杂性，提高后续分类器的性能。特征选择是数据预处理的关键步骤，对于减少计算负担和防止过拟合至关重要。 自适应二进制量子引力搜索算法（ABQGSA）是一种基于量子力学原理的优化算法，模拟了量子粒子间的引力相互作用，用于全局搜索问题的解决方案。在ABQGSA中，动态自适应波动策略用于调整量子旋转角，这有助于在全局搜索和局部搜索之间找到平衡，避免过早陷入局部最优。此外，为了增加算法的自适应变异能力，论文设计了一个与进化程度和个体适应度值相关的自适应变异概率，当算法在进化过程中遇到停滞状态时，可以利用量子位离散交叉操作来打破局部极值，促进种群多样性，从而提高算法的搜索能力。 支持向量机（SVM）是一种强大的监督学习模型，特别适用于小样本和非线性问题。在本研究中，SVM作为分类器，其参数通过ABQGSA进行优化，确保了模型在选定特征子集上的最佳性能。组合优化策略将特征选择和SVM参数优化相结合，进一步提升了模型的检测性能。 通过KDD CUP 99数据集的实验验证，FAST-ABQGSA-SVM算法展示出了优秀的性能，不仅在鲁棒性、学习精度上优于其他检测方法，而且在检测网络入侵的效果上也有显著优势。这一结果强调了所提方法在实际网络安全防护中的潜在应用价值。这项研究为网络入侵检测领域提供了一种新的、有效的技术方案，对于提升网络系统的安全防护能力具有重要意义。