人工鱼群和K均值算法相融合的网络入侵检测

发布时间：2019-03-19 22:10

【摘要】：针对K均值算法存在的初始聚类中心敏感和易陷入局部最优等缺陷,利用人工鱼群算法全局寻优能力,提出一种人工鱼群和K均值算法相融合的网络入侵检测模型(AFSA-KCM)。首先采用抽样技术和最大最小距离算法获得一组较优的聚类中心和聚类数目,然后通过人工鱼群模拟自然界鱼群的觅食、聚群,追尾等行为,找到最优的聚类中心和聚类数目,最后利用K均值算法根据最优的聚类中心和聚类数目建立最优的入侵检测模型,并采用KDD CUP99数据集进行测试实验。实验结果表明,相对于其它入侵检测模型,AFSA-KCM不仅提高了网络入侵检测率,同时加快了网络入侵检测速度,可以为网络安全入侵检测提供有效保证。
[Abstract]:Aiming at the shortcomings of K-means algorithm, such as sensitivity of initial clustering center and easy to fall into local optimization, a network intrusion detection model (AFSA-KCM) combining artificial fish swarm and K-means algorithm is proposed by using the global optimization ability of artificial fish swarm algorithm. Firstly, the sampling technique and the minimum distance algorithm are used to obtain a group of optimal clustering centers and clustering numbers. Then, artificial fish groups are used to simulate the foraging, clustering and rear-end behaviors of natural fish groups, and the optimal clustering centers and clustering numbers are found, and the optimal clustering centers and clustering numbers are obtained by simulating the foraging, clustering and rear-end behaviors of natural fish groups. Finally, the K-means algorithm is used to establish the optimal intrusion detection model based on the optimal clustering center and the number of clusters, and the KDD CUP99 data set is used to test the model. The experimental results show that compared with other intrusion detection models, AFSA-KCM not only improves the network intrusion detection rate, but also accelerates the network intrusion detection speed, which can provide an effective guarantee for network security intrusion detection.
【作者单位】： 太原大学;
【分类号】：TP393.08

【参考文献】

相关期刊论文 前10条

1 李永忠;杨鸽;徐静;赵博;孙彦;;基于粒子群优化的聚类入侵检测算法[J];江苏科技大学学报(自然科学版);2009年01期

2 王春枝;金伟健;;基于危险理论与数理统计的入侵检测模型[J];计算机工程与应用;2008年11期

3 刘宇;朱随江;刘宝旭;;采用改进PTSVM的入侵检测研究[J];计算机工程与应用;2012年05期

4 胡艳维;秦拯;张忠志;;基于模拟退火与K均值聚类的入侵检测算法[J];计算机科学;2010年06期

5 谷保平;许孝元;郭红艳;;基于粒子群优化的k均值算法在网络入侵检测中的应用[J];计算机应用;2007年06期

6 李涵;包立辉;;基于聚类算法的异常入侵检测模型的研究与实现[J];计算机应用与软件;2006年10期

7 俞研;黄皓;;基于改进多目标遗传算法的入侵检测集成方法(英文)[J];软件学报;2007年06期

8 王丽苹,安娜,吴晓南,房鼎益;入侵检测系统中的行为模式挖掘[J];通信学报;2004年07期

9 马晓春,高翔,高德远;聚类分析在入侵检测系统中的应用研究[J];微电子学与计算机;2005年04期

10 杨善林;李永森;胡笑旋;潘若愚;;K-MEANS算法中的K值优化问题研究[J];系统工程理论与实践;2006年02期

【共引文献】

相关期刊论文 前10条

1 李燕琴;一种生态旅游者的识别与细分方法——以北京市百花山自然保护区为例[J];北京大学学报(自然科学版);2005年06期

2 毕靖;成晓静;张琨;;多神经网络组合模型在入侵检测中的应用[J];北京建筑工程学院学报;2010年01期

3 张则飞;邢立新;;纹理特征在Aster影像数据分类中的应用[J];吉林大学学报(地球科学版);2006年S1期

4 尚小晶;刘小梅;李成凤;李阳;田彦涛;;神经元的几何形态分类[J];吉林大学学报(信息科学版);2011年03期

5 杨晓懿,刘嘉勇,陈淑敏;SVM在文本自动分类中的应用[J];成都信息工程学院学报;2005年02期

6 武志强;巨辉;曹世梅;;改进的BP神经网络在数字识别上的应用[J];成都信息工程学院学报;2008年06期

7 顾洪博;赵万平;;数据挖掘算法性能优化的研究与应用[J];长春理工大学学报(自然科学版);2010年01期

8 刘继忠,周晓军,熊勇;人工免疫系统超变异模式识别及应用[J];传感技术学报;2005年03期

9 张永强;陈香;王从政;董中飞;左鹏飞;;基于FPGA的实时手势识别系统[J];传感技术学报;2011年11期

10 潘巨龙;高建桥;徐展翼;李文锦;李子印;;一种基于确定性理论的无线传感器网络信任机制nTRUST[J];传感技术学报;2012年02期

相关会议论文 前10条

1 王红霞;田国会;李晓磊;卜范骞;;基于地标信息融合的家庭环境机器人组合导航[A];第二十六届中国控制会议论文集[C];2007年

2 曹爱增;陈月婷;魏军;李金屏;;一种基于EDAs和聚类分析的杂合进化算法[A];第二十六届中国控制会议论文集[C];2007年

3 李鑫;李力争;;基于模板匹配的固态流体流速检测算法[A];第二十七届中国控制会议论文集[C];2008年

4 李潮潮;迟凯;付芳萍;车文刚;赵庆江;;基于模糊聚类的证券价格对公共信息的反应强度划分[A];第二十九届中国控制会议论文集[C];2010年

5 赵庆江;迟凯;付芳萍;李潮潮;车文刚;;基于FCM的模糊时间序列模型及人民币汇率预测[A];第二十九届中国控制会议论文集[C];2010年

6 杨青;刘晔;张东旭;刘畅;;快速查找最优初始聚类数K的改进K-means算法[A];中国自动化学会控制理论专业委员会A卷[C];2011年

7 李友元;寇纲;施宇;陆晨;石勇;;基于组合熵权TOPSIS方法的山东省外商直接投资区位选择分析[A];经济全球化与系统工程——中国系统工程学会第16届学术年会论文集[C];2010年

8 张勇;寇纲;李友元;;一种新的农业气象灾害评估模型[A];经济全球化与系统工程——中国系统工程学会第16届学术年会论文集[C];2010年

9 刘涛;陈浩文;王书宏;黎湘;;基于红外多光谱的空间点目标识别方法研究[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

10 汤广富;马春实;刘欢;付强;;模糊聚类快速实用方法[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

相关博士学位论文 前10条

1 李桃迎;交通领域中的聚类分析方法研究[D];大连海事大学;2010年

2 易吉良;基于S变换的电能质量扰动分析[D];湖南大学;2010年

3 陈韶斌;基于知识推理和视觉机理的遥感图像目标识别方法研究[D];华中科技大学;2010年

4 宋清昆;自适应结构优化神经网络控制研究[D];哈尔滨理工大学;2009年

5 许宪成;基于网络处理器的入侵检测系统设计与性能优化研究[D];华南理工大学;2010年

6 高杰;基于过渡金属的超分子光化学传感器识别生物功能性检测物[D];华东理工大学;2010年

7 陶勇;知识辅助的SAR图像目标特性分析与识别研究[D];国防科学技术大学;2010年

8 蔡盈芳;基于本体的航空产品知识库构建研究[D];北京交通大学;2011年

9 薛冬新;激光扭矩测量中散斑统计学理论及试验研究[D];大连理工大学;2011年

10 刘怀广;浮法玻璃缺陷在线识别算法的研究及系统实现[D];华中科技大学;2011年

相关硕士学位论文 前10条

1 李朋勇;基于全矢高阶谱的故障诊断方法及其应用研究[D];郑州大学;2010年

2 宋晓s，

本文编号：2443956