基于SVM的K-means聚類算法在WSN入侵檢測(cè)中的應(yīng)用.pdf

1、無(wú)線傳感器網(wǎng)絡(luò)（Wireless Sensor Network,WSN）能夠在惡劣環(huán)境和特殊場(chǎng)合方便應(yīng)用，使得無(wú)線傳感器網(wǎng)絡(luò)的研究具有很高的現(xiàn)實(shí)意義。因此WSN的相關(guān)問(wèn)題研究也受到了學(xué)術(shù)界的高度關(guān)注。與傳統(tǒng)網(wǎng)絡(luò)有所不同，WSN的網(wǎng)絡(luò)壽命有限又極易被入侵，所以無(wú)線傳感器網(wǎng)絡(luò)的安全問(wèn)題相對(duì)來(lái)說(shuō)就是一個(gè)全新的課題，同時(shí)也是一個(gè)亟待解決的課題。作為網(wǎng)絡(luò)的第二層重要保護(hù)層，無(wú)線傳感器網(wǎng)絡(luò)的入侵檢測(cè)方法也不能沿用以前的方法，因此WSN的入侵檢測(cè)的研

2、究同樣具有很大的研究意義。
　　本文在對(duì)WSN各種原有入侵檢測(cè)技術(shù)研究的基礎(chǔ)上，提出基于SVM的K-means聚類算法的入侵檢測(cè)技術(shù)。本文首先肯定了K-means聚類算法在入侵檢測(cè)系統(tǒng)的應(yīng)用是極有研究意義的，對(duì)比分析K-means算法和constrained-K-means算法以及本文方案，然后引出本文改進(jìn)方案以達(dá)到更好的檢測(cè)效果。該機(jī)制主要是首先對(duì)數(shù)據(jù)集節(jié)點(diǎn)進(jìn)行初次聚類，找到聚類中心和簇群，然后對(duì)每個(gè)簇群內(nèi)運(yùn)用支持向量機(jī)算法使簇

3、群內(nèi)的不同類節(jié)點(diǎn)間距離最大化以減少分簇的風(fēng)險(xiǎn)，再對(duì)兩兩分類后的簇群重新劃分簇并判斷聚類中心是否改變，最后通過(guò)不停迭代直至達(dá)到最優(yōu)的效果。這種改進(jìn)后的機(jī)制較好地提高了檢測(cè)率，降低了誤報(bào)警率。
　　本文通過(guò)Kdd cup99中的10％數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，然后觀察改進(jìn)后的聚類算法在檢測(cè)率和誤報(bào)警率兩項(xiàng)指標(biāo)上的具體表現(xiàn)，最后和單獨(dú)使用K-means聚類算法以及使用constrained-K-means算法在準(zhǔn)確檢測(cè)率、誤報(bào)警率方面