基于粗糙集的聚類算法及其在入侵檢測中的應用.pdf

1、近年來，網(wǎng)絡安全問題日益嚴重，網(wǎng)絡攻擊手段也變得多元化、復雜化和智能化。傳統(tǒng)的靜態(tài)安全防御技術，例如防火墻、數(shù)據(jù)加密等，已經(jīng)不能夠滿足我們對網(wǎng)絡安全的需求。作為一種主動、動態(tài)的安全防御技術，入侵檢測技術近年來獲得了迅速發(fā)展和廣泛關注。但是，現(xiàn)有的入侵檢測方法在實際應用中還存在諸多的問題，例如，檢測精度低、誤警率居高不下等。
　　針對現(xiàn)有的入侵檢測方法所存在的問題，本文采用k-modes聚類算法來檢測入侵。作為k-means算法的一

2、種有效擴展，k-modes算法具有諸多的優(yōu)點。但是，現(xiàn)有的k-modes算法還存在很多問題亟待解決，主要包括：(1)距離度量的定義不合理；(2)缺乏有效的機制來選擇初始類中心。
　　為了將k-modes算法更好地應用于入侵檢測中，本文基于粗糙集理論來解決現(xiàn)有的k-modes算法所存在的問題。首先，針對k-modes聚類在初始類中心選擇方面所存在的問題，利用粗糙集中的粗糙熵、屬性重要性等概念來計算每個屬性的權值，并由此提出一種新的初

3、始類中心選擇算法；其次，提出一種新的k-modes聚類算法，并將該算法應用于入侵檢測中，從而獲得一種新的無監(jiān)督入侵檢測模型。我們所提出的入侵檢測模型無需預先對原始數(shù)據(jù)進行類別標記，并且能夠從分類型數(shù)據(jù)集中快速、準確地檢測出入侵，從而在一定程度上解決了現(xiàn)有的入侵檢測系統(tǒng)所存在的問題。
　　本文的工作主要包括以下幾個方面：
　?。?）基于加權密度和加權重疊距離的初始類中心選擇算法。針對現(xiàn)有的k-modes聚類算法在初始類中心選擇

4、方面所存在的問題，本文提出了一種基于加權密度和加權重疊距離的初始類中心選擇算法Ini_Weight。在該算法中，我們通過計算對象的密度以及對象之間的距離來選擇初始類中心，而在計算對象之間的距離和對象的密度時，不同的屬性將根據(jù)其重要性的大小被賦予不同的權重，從而可以有效地體現(xiàn)出不同屬性之間的差異。我們在UCI數(shù)據(jù)集上驗證了Ini_Weight算法的性能，實驗結果表明，Ini_Weight算法能夠準確地選擇出聚類中心點。
　?。?）基

5、于加權重疊距離的k-modes聚類算法。在Ini_Weight算法基礎上，我們進一步提出了一種新的基于加權重疊距離的k-modes聚類算法 WODKM。在WODKM算法中，我們采用Ini_Weight算法來選擇初始中心點，并且采用加權重疊距離度量來計算對象之間的距離，從而可以避免傳統(tǒng)的k-modes算法所存在的問題。
　?。?）無監(jiān)督入侵檢測模型UIDM_WODKM。我們將WODKM聚類算法應用于入侵檢測中，從而獲得一種新的無監(jiān)督