基于改进K-均值算法的入侵检测方法研究

发布时间：2021-11-12 22:22

　　信息技术已经渗透到各个领域,信息安全问题受到了严重的考验。网络病毒的种类增长速度很快,防火墙、数据加密等静态防御方式对网络安全的作用受到了极大的挑战。入侵检测技术具有主动的防御性,很好地弥补了传统安全技术的缺陷。聚类是一个将数据划分为若干个组或类的过程,并使得同一个组内数据对象具有较高的相似度,而不同组中的数据对象则是不相似的。聚类算法应用于入侵检测能够发现未知入侵,已经成为了当今入侵检测的研究热点。本文开展了以K-均值聚类分析为基础的入侵检测研究,改进了K-均值聚类算法,建立了基于改进K-均值聚类算法的入侵检测模型,并用实验对模型的性能进行了测评。首先,本文介绍了入侵检测的概念与作用、基本模型以及分类；阐述了聚类的概念、聚类中相似性度量方法、类间的测度函数、聚类分析的主要研究方向、聚类的一般过程以及入侵检测中的聚类算法。K-均值聚类算法有收敛速度快、处理数据效率高等优点,但有些不足之处需要改进。其次,本文的主要贡献：针对K-均值算法对初始聚类中心存在严重依赖性和需要人为地给出聚类个数K值的缺陷,提出了一种确定K值的方法；针对K-均值算法对初始聚类中心的敏感性并且极易陷入局部最优的缺陷... 

【文章来源】：天津理工大学天津市

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
目录
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文的主要工作和结构安排
        1.3.1 本文的主要工作
        1.3.2 本文的结构安排
第二章 入侵检测
    2.1 入侵检测的概念与作用
        2.1.1 入侵检测的概念
        2.1.2 入侵检测的作用
    2.2 入侵检测系统的基本模型
        2.2.1 通用入侵检测模型(Denning模型)
        2.2.2 通用入侵检测模型(CIDF模型)
        2.2.3 层次化的入侵检测模型(IDM模型)
    2.3 入侵检测系统的分类
        2.3.1 根据系统数据来源分类
        2.3.2 根据入侵检测方法分类
    2.4 本章小结
第三章 聚类分析
    3.1 聚类
        3.1.1 聚类的概念
        3.1.2 主要的聚类分析方法
    3.2 聚类中的相关定义
        3.2.1 聚类分析中的数据结构与数据类型
        3.2.2 聚类算法中常用的相似性度量方法
        3.2.3 类间的测度函数
        3.2.4 聚类准则函数
    3.3 聚类分析主要的研究方向
    3.4 聚类的一般过程
    3.5 应用于入侵检测的聚类分析
    3.6 本章小节
第四章 改进的K-均值聚类算法
    4.1 混沌
        4.1.1 混沌理论
        4.1.2 混沌优化算法
    4.2 差分进化算法
        4.2.1 差分进化算法原理
        4.2.2 差分进化算法参数的设定
        4.2.3 差分进化算法的流程
    4.3 改进的差分进化算法
        4.3.1 基于混沌的DE进化操作
        4.3.2 差分进化参数的改进
        4.3.3 改进的差分进化算法
    4.4 K-均值聚类算法
        4.4.1 K-均值算法的基本思想
        4.4.2 K-均值算法的流程
        4.4.3 K-均值算法的主要问题
    4.5 基于改进差分进化的K-均值聚类算法
        4.5.1 聚类个数K的改进
        4.5.2 对选取适当初始聚类中心的改进
        4.5.3 基于改进差分进化的K-均值算法
    4.6 本章小结
第五章 实验设计与结果分析
    5.1 基于改进K-均值聚类算法的入侵检测模型
        5.1.1 模型的整体结构
        5.1.2 功能模块设计及实现方法
    5.2 数据预处理
        5.2.1 KDDCUP99数据集简介
        5.2.2 数据的标准化与归一化
        5.2.3 主成分分析进行特征选择
    5.3 实验结果与分析
        5.3.1 对混合攻击类型进行聚类实验
        5.3.2 对指定特定攻击类型单独进行实验
    5.4 本章小节
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
发表论文和科研情况说明
致谢


【参考文献】：
期刊论文
[1]融合改进差分进化思想的K-调和均值聚类[J]. 毛力,刘兴阳,沈明明,杨弘.  计算机工程与应用. 2013(04)
[2]分阶段二次变异的多目标混沌差分进化算法[J]. 王筱珍,李鹏,俞国燕.  控制与决策. 2011(03)
[3]一种混沌差分进化和粒子群优化混合算法[J]. 阳春华,钱晓山,桂卫华.  计算机应用研究. 2011(02)
[4]一种新的混沌差分进化算法[J]. 谭跃,谭冠政,涂立.  计算机工程. 2009(11)
[5]基于数据挖掘技术的入侵检测研究[J]. 常秉琨,李莉.  电脑知识与技术. 2009(09)
[6]一种自适应差分演化算法[J]. 毛润宇,王小平,薛小平.  计算机应用与软件. 2008(12)
[7]差分进化算法的交叉概率因子递增策略研究[J]. 邓泽喜,刘晓冀.  计算机工程与应用. 2008(27)
[8]一种新的差分进化算法[J]. 邓泽喜,曹敦虔,刘晓冀,李娜.  计算机工程与应用. 2008(24)
[9]基于差分算法的K-均值聚类分析[J]. 李聪明.  现代计算机(专业版). 2008(06)
[10]利用混沌差分进化算法预测RNA二级结构[J]. 胡桂武,彭宏.  计算机科学. 2007(09)



本文编号：3491741