一種改進(jìn)的K-means算法在網(wǎng)絡(luò)入侵檢測(cè)中的應(yīng)用研究.pdf

1、隨著計(jì)算機(jī)和網(wǎng)絡(luò)技術(shù)的進(jìn)步與發(fā)展，網(wǎng)絡(luò)數(shù)據(jù)量呈現(xiàn)指數(shù)型增長(zhǎng)，想要直觀的發(fā)現(xiàn)真正有價(jià)值的數(shù)據(jù)并不容易，很多對(duì)我們有用的數(shù)據(jù)往往都隱藏在龐大的數(shù)據(jù)量中，數(shù)據(jù)挖掘技術(shù)隨著大數(shù)據(jù)時(shí)代的到來(lái)應(yīng)運(yùn)而生。數(shù)據(jù)挖掘技術(shù)是人們?yōu)榱税l(fā)掘數(shù)據(jù)的潛在價(jià)值和有用信息而出現(xiàn)的一門(mén)新興技術(shù)學(xué)科，其核心作用是充分利用數(shù)據(jù)價(jià)值，為人們的決策分析提供科學(xué)合理的依據(jù)。聚類(lèi)分析是數(shù)據(jù)挖掘中的重要分支，其原理是根據(jù)數(shù)據(jù)的相似性將數(shù)據(jù)分配到有差異的類(lèi)中。聚類(lèi)分析的應(yīng)用廣泛，為機(jī)器

2、學(xué)習(xí)、人工智能、醫(yī)學(xué)、網(wǎng)絡(luò)安全等領(lǐng)域提供了重要的技術(shù)支持。基于劃分的聚類(lèi)是聚類(lèi)算法中較為常見(jiàn)的算法，由于其簡(jiǎn)單高效的特點(diǎn)得到了各領(lǐng)域廣泛應(yīng)用。其中，較為常見(jiàn)的是K-means聚類(lèi)算法，其實(shí)現(xiàn)原理簡(jiǎn)單，而且算法效率較高。但是由于K-means算法易受限于初始聚類(lèi)中心，其應(yīng)用也受到了很多限制。本文給出了優(yōu)化K-means初始聚類(lèi)中心的方法，并應(yīng)用此改進(jìn)算法構(gòu)建網(wǎng)絡(luò)入侵檢測(cè)模型。其關(guān)鍵之處為:
　　(1) K-means算法的較優(yōu)初始聚

3、類(lèi)中心應(yīng)該選取數(shù)據(jù)集中距離較遠(yuǎn)的數(shù)據(jù)對(duì)象或者靠近類(lèi)中心的數(shù)據(jù)對(duì)象?；诿芏鹊乃枷耄瑢?shù)據(jù)集中數(shù)據(jù)分布較為密集的對(duì)象篩選出來(lái)作為高密度對(duì)象，從高密度對(duì)象中取出距離相差盡可能大的k個(gè)對(duì)象并以這些對(duì)象為依據(jù)劃分初始類(lèi)。然后使用粒子群算法在每個(gè)類(lèi)中迭代尋優(yōu)，直到最大迭代次數(shù)輸出k個(gè)全局最優(yōu)點(diǎn)作為K-means的初始聚類(lèi)中心。在多個(gè)數(shù)據(jù)集上對(duì)此優(yōu)化算法的有效性進(jìn)行驗(yàn)證，結(jié)果表明此優(yōu)化方法的聚類(lèi)效果較原始K-means算法更優(yōu)。
　　(2)根