基于三支动态阈值K-means聚类的入侵检测算法

发布时间：2021-02-02 14:27

　　K-means算法以硬聚类划分思想被广泛应用于入侵检测系统,这种严格的边界划分方法在对许多新衍生类入侵数据检测时,易出现检测率低、误检率高的情况。同时,当处理复杂网络访问数据时,采用固定的k值不够灵活,也影响检测的准确性。结合三支决策思想,对传统K-means算法进行了改进,提出了基于三支动态阈值K-means聚类的入侵检测算法。该算法通过动态阈值调整,可以优化聚类的数量,在一定程度上消除了固定k值对入侵检测效果的影响。将离群的不确定性网络数据进行分离和延迟判断,通过二次聚类重新划分后再做决策。在KDD Cup99数据集上实验结果表明,当攻击类型逐渐增多、攻击行为更加复杂时,改进后的K-means算法在检测率和误检率上显著优于传统K-means算法。 

【文章来源】：郑州大学学报(理学版). 2020,52(02)北大核心

【文章页数】：7 页

【部分图文】：

数据集示意图

三支聚类方法是对传统二支聚类方法的推广,是为解决对不确定性数据对象进行合理归类这一问题而提出的一种解决方案。当数据对象难以立刻判断其所属类别时,可将其归至边界区域,对于能够准确判定类别的数据对象可归至核心区域。对于数据集X={x1,x2,…,xn},假设C={C1,C2,…,Ck}是利用二支聚类方法对X进行聚类的结果。结合三支决策思想,对每个类别Ci进行改进,用C i Ρ ,C i B 两个集合表示一个类Ci=C i Ρ ∪C i B ,满足:(1) C i Ρ ≠?,i=1,2,…,k; (2) U i=1 k (C i Ρ ∪ C i B )=X 。其中,集合C i Ρ ,C i B 分别称为类的核心区域和边界区域。核心区域中的数据对象确定属于某个类Ci,边界区域中的数据对象可能属于类Ci。图3 三支聚类结果

三支聚类结果

【参考文献】：
期刊论文
[1]一种基于集合划分的鲁棒性自适应模糊聚类分割算法[J]. 朱威威,赵岩松,李艳灵.  信阳师范学院学报(自然科学版). 2019(01)
[2]改进的K-means聚类k值选择算法[J]. 王建仁,马鑫,段刚龙.  计算机工程与应用. 2019(08)
[3]基于CUDA的k-means算法并行化研究[J]. 刘端阳,郑江帆,沈国江,刘志.  计算机科学. 2018(11)
[4]基于谱聚类的边缘检测算法[J]. 郭新,徐明,张众.  郑州大学学报(理学版). 2018(03)
[5]基于BFOA和K-means的复合入侵检测算法[J]. 肖苗苗,魏本征,尹义龙.  山东大学学报(工学版). 2018(03)
[6]基于ε邻域的三支决策聚类分析[J]. 刘强,施虹,王平心,杨习贝.  计算机工程与应用. 2019(06)
[7]基于动态邻域的三支聚类分析[J]. 王平心,刘强,杨习贝,米据生.  计算机科学. 2018(01)
[8]基于k-means的自动三支决策聚类方法[J]. 于洪,毛传凯.  计算机应用. 2016(08)
[9]改进K-means算法在入侵检测中的应用研究[J]. 王茜,刘胜会.  计算机工程与应用. 2015(17)
[10]基于多标记与半监督学习的入侵检测方法研究[J]. 钱燕燕,李永忠,余西亚.  计算机科学. 2015(02)



本文编号：3014846