基于改進(jìn)K-均值算法的入侵檢測方法研究.pdf

1、信息技術(shù)已經(jīng)滲透到各個(gè)領(lǐng)域，信息安全問題受到了嚴(yán)重的考驗(yàn)。網(wǎng)絡(luò)病毒的種類增長速度很快，防火墻、數(shù)據(jù)加密等靜態(tài)防御方式對(duì)網(wǎng)絡(luò)安全的作用受到了極大的挑戰(zhàn)。入侵檢測技術(shù)具有主動(dòng)的防御性，很好地彌補(bǔ)了傳統(tǒng)安全技術(shù)的缺陷。
　　 聚類是一個(gè)將數(shù)據(jù)劃分為若干個(gè)組或類的過程，并使得同一個(gè)組內(nèi)數(shù)據(jù)對(duì)象具有較高的相似度，而不同組中的數(shù)據(jù)對(duì)象則是不相似的。聚類算法應(yīng)用于入侵檢測能夠發(fā)現(xiàn)未知入侵，已經(jīng)成為了當(dāng)今入侵檢測的研究熱點(diǎn)。本文開展了以K-均值

2、聚類分析為基礎(chǔ)的入侵檢測研究，改進(jìn)了K-均值聚類算法，建立了基于改進(jìn)K-均值聚類算法的入侵檢測模型，并用實(shí)驗(yàn)對(duì)模型的性能進(jìn)行了測評(píng)。
　　 首先，本文介紹了入侵檢測的概念與作用、基本模型以及分類;闡述了聚類的概念、聚類中相似性度量方法、類間的測度函數(shù)、聚類分析的主要研究方向、聚類的一般過程以及入侵檢測中的聚類算法。K-均值聚類算法有收斂速度快、處理數(shù)據(jù)效率高等優(yōu)點(diǎn)，但有些不足之處需要改進(jìn)。
　　 其次，本文的主要貢獻(xiàn):針

3、對(duì)K-均值算法對(duì)初始聚類中心存在嚴(yán)重依賴性和需要人為地給出聚類個(gè)數(shù)K值的缺陷，提出了一種確定K值的方法;針對(duì)K-均值算法對(duì)初始聚類中心的敏感性并且極易陷入局部最優(yōu)的缺陷，將全局尋優(yōu)能力較強(qiáng)的差分進(jìn)化算法(DE)引入到了K-均值聚類算法中。同時(shí)在DE中，采用動(dòng)態(tài)自適應(yīng)的交叉概率因子CR與縮放系數(shù)F，有效地提高了差分進(jìn)化算法的全局尋優(yōu)能力與尋優(yōu)速度;利用混沌具有隨機(jī)性和遍歷性等特點(diǎn)，使用混沌序列對(duì)種群進(jìn)行初始化，提高了初始種群的多樣性與差異