💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
💥1 概述
📚2 运行结果
🎉3 参考文献
🌈4 Matlab代码实现
💥1 概述
物联网 （IoT） 服务和设备带来了许多挑战，例如连接性、计算性和安全性。因此，网络应提供并保持优质服务。如今，根据最近的研究，分布式拒绝服务（DDoS）攻击是最重要的网络攻击。在各种DDoS检测方法中，机器学习（ML）算法吸引了研究人员。在 ML 中，选择最佳特征子集对于提高分类率具有重要作用。这个问题称为特征选择问题属于NP难题，精确的算法无法在可接受的时间内获得最佳结果。因此，采用元启发式算法等近似算法来解决问题。由于这些算法不会搜索所有解空间，因此它们属于局部最优并提供过早的收敛率。到目前为止，已经引入了几种方法来应对这些挑战，但研究人员试图找到提高方法性能的新策略。该文提出一种二进制改进的非洲秃鹫优化算法（Sin-Cos-bIAVOA）来选择DDoS攻击的有效特征。该方法应用了一种新的化合物传递函数（Sin-Cos）来增加探索。为了选择要素的最佳子集，该方法中采用重力固定半径最近邻 （GFRNN） 作为分类器。此外，AVOA在勘探、平衡勘探和开发以及开发阶段三个阶段进行了改进。因此，Sin-Cos-bIAVOA探索有希望的领域，以实现最佳解决方案并避免局部最优陷阱。
📚2 运行结果
部分代码：
function [Best_vulture1_F,Best_vulture1_X]=sin_cos_bIAVOA(pop_size,max_iter,dim,fobj) lower_bound=-6;upper_bound=6; % initialize Best_vulture1, Best_vulture2 Best_vulture1_X=zeros(1,dim); Best_vulture1_F=inf; Best_vulture2_X=zeros(1,dim); Best_vulture2_F=inf; %Initialize the first random population of vultures X=double(initialization(pop_size,dim,1,0)>0.5); %% Controlling parameter p1=0.6; p2=0.4; p3=0.6; alpha=0.8; betha=0.2; gamma=2.5; %%Main loop current_iter=0; % Loop counter while current_iter < max_iter for i=1:size(X,1) S1=cos(X(i,:))/2+0.5; X1=rand(1,dim)<S1; ObjVal1=feval(fobj,X1); S2=sin(X(i,:))/2+0.5; X2=rand(1,dim)<S2; ObjVal2=feval(fobj,X2); XX=[X1;X2]; fiti=[ObjVal1;ObjVal2]; [~,ind]=min(fiti(:,1)); X(i,:)=XX(ind,:); current_vulture_X = X(i,:); current_vulture_F=fiti(ind,:); fit(i,:)=fiti(ind,:); % Update the first best two vultures if needed and Calculate the fitness of the population if current_vulture_F(1)<Best_vulture1_F(1) Best_vulture1_F=current_vulture_F; % Update the first best bulture Best_vulture1_X=current_vulture_X; end if current_vulture_F(1)>Best_vulture1_F(1) && ... current_vulture_F(1)<Best_vulture2_F(1) Best_vulture2_F=current_vulture_F; % Update the second best bulture Best_vulture2_X=current_vulture_X; end end worst=max(fit(:,1)); a=unifrnd(-2,2,1,1)*((sin((pi/2)*(current_iter/max_iter))^gamma)+cos((pi/2)*(current_iter/max_iter))-1); P1=(2*rand+1)*(1-(current_iter/max_iter))+a; % Update the location for i=1:size(X,1) current_vulture_X = X(i,:); % pick the current vulture back to the population F=P1*(2*rand()-1); random_vulture_X=random_select(Best_vulture1_X,Best_vulture2_X,alpha,betha); if (current_iter<=(1/3*max_iter)) current_vulture_X = exploration(current_vulture_X, random_vulture_X, F, p1, upper_bound, lower_bound); % Exploitation: elseif (current_iter>(1/3*max_iter)&& (current_iter<=(2/3*max_iter))) prob=(fit(i)-worst)/(Best_vulture1_F(1)-worst); if (prob>0.4) current_vulture_X= exploitation(current_vulture_X, Best_vulture1_X, Best_vulture2_X, random_vulture_X, F, p2, p3, dim, upper_bound, lower_bound); else current_vulture_X = exploration(current_vulture_X, random_vulture_X, F, p1, upper_bound, lower_bound); end else current_vulture_X = exploration(current_vulture_X, random_vulture_X, F, p1, upper_bound, lower_bound); end X(i,:) = current_vulture_X; % place the current vulture back into the population end current_iter=current_iter+1; X = boundaryCheck(X, lower_bound, upper_bound); fprintf('Iteration=%d Best_Fitness(Fitness Function,Accuracy,Precision,Recall,Specificity)=%f,%f,%f,%f,%f\n', current_iter,Best_vulture1_F ); end end
🎉3 参考文献
部分理论来源于网络，如有侵权请联系删除。
[1]Zakieh Sharifian, Behrang Barekatain, Alfonso Ariza Quintana, Zahra Beheshti, Faramarz Safi-Esfahani (2023), Sin-Cos-bIAVOA: A new feature selection method based on improved African vulture optimization algorithm and a novel transfer function to DDoS attack detection, Expert System with Application, https://doi.org/10.1016/j.eswa.2023.120404
