基于GT-KM算法的入侵检测研究

发布时间：2017-06-16 21:02

  本文关键词：基于GT-KM算法的入侵检测研究，由笔耕文化传播整理发布。

【摘要】：随着科技的不断进步,信息产业快速增长,应用范围逐步增加,带来的网络攻击和破坏也越来越多,信息安全技术愈发受到重视.可是无论信息安全技术在这数十年如何发展,网络安全技术从始至终都没离开入侵检测的相关知识.在入侵检测的相关领域使用数据挖掘领域的系列原理、算法,是基于这些原理、算法可以提炼出需要的系统特性,并且依据得到的特性进行安全事件的分类,以便进行之后的鉴别工作.文章结合生长树算法和K-means算法提出一种全新的GT-KM算法,并将其运用到入侵检测中,主要内容如下:(1)为了处理初始中心的选择在K-means算法整体流程中所占地位过大和其全局搜索能力薄弱等问题,将生长树算法和K-means进行结合得到新的聚类方法——GT-K M算法.在生长树算法优异的编码方式和全局搜索功能下去寻求使聚类达到最好结果的中心点,避免了对初始聚类中心的极度依赖.使用UCI数据库的数据集来进行对比,证明其在运行速率、聚类结果和稳定性能方面的良好效果.(2)GT-KM与原始的K-means等聚类算法相比,由于可以直接得到最优的聚类中心,因此很大程度上解决了由于K-means算法在初值选取上无法避免的一些问题.将其应用于入侵检测领域.,通过对KDD CUP99数据集的实验,在保证GT-KM算法能用于入侵检测系统之外,也对比了其他算法,结果显示GT-KM可以对于攻击行为的检测取得较好的结果,证明其在异常检测应用中的稳定性和实用性。
【关键词】：入侵检测系统 K-means算法 生长树算法 GT-KM算法
【学位授予单位】：江西理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP393.08;TP311.13
【目录】：

• 摘要4-5
• Abstract5-8
• 第一章 绪论8-17
• 1.1 课题的背景和意义8-11
• 1.2 国内外研究现状11-14
• 1.2.1 数据挖掘在入侵检测中的应用11-14
• 1.2.2 当前领域仍然存在的问题14
• 1.3 论文的研究内容14-15
• 1.4 论文结构安排15-17
• 第二章 聚类分析算法17-27
• 2.1 数据挖掘中现有的聚类算法17-22
• 2.1.1 层次聚类算法19
• 2.1.2 分割聚类算法19-21
• 2.1.3 基于约束的聚类算法21
• 2.1.4 机器学习中的聚类算法21
• 2.1.5 用于高维数据的聚类算法21-22
• 2.2 现有的一些聚类算法性能比较22
• 2.3 K-means算法22-25
• 2.4 国内外研究现状25
• 2.5 本章小结25-27
• 第三章 新的改进聚类算法——GT-KM算法27-38
• 3.1 引言27-28
• 3.2 生长树算法28-31
• 3.2.1 树木的生长机理28
• 3.2.2 生长树生长过程28-31
• 3.3 一种新的GT-KM算法31-34
• 3.3.1 编码方式和适应度函数32-33
• 3.3.2 GT-KM算法描述33-34
• 3.4 实验结果与分析34-37
• 3.4.1 仿真环境和UCI数据集34-35
• 3.4.2 实验结果分析35-37
• 3.5 本章小结37-38
• 第四章 GT-KM算法在入侵检测中的应用38-44
• 4.1 基本流程38-39
• 4.1.1 数据预处理38-39
• 4.1.2 检测算法39
• 4.1.3 整体流程39
• 4.2 实验与结果分析39-43
• 4.3 本章小结43-44
• 第五章 总结与展望44-46
• 5.1 总结44
• 5.2 展望44-46
• 参考文献46-50
• 致谢50-51
• 攻读学位期间的研究成果51-52

【相似文献】

中国期刊全文数据库 前10条

1 葛磊;武芳;王鹏波;张冬林;;3维建筑综合中基于最小特征的面平移算法[J];测绘科学技术学报;2009年02期

2 骆雯,孙延明,陈振威,陈锦昌;判断点与封闭多边形相对关系的改进算法[J];机械;1999年03期

3 李林;卢显良;;一种基于切割映射的规则冲突消除算法[J];电子学报;2008年02期

4 刘巧玲;张红英;林茂松;;一种简单快速的图像去雾算法[J];计算机应用与软件;2013年07期

5 林亚平,杨小林;快速概率分析进化算法及其性能研究[J];电子学报;2001年02期

6 章郡锋;吴晓红;黄晓强;何小海;;基于暗原色先验去雾的改进算法[J];电视技术;2013年23期

7 杨铁军;靳婷;;一种动态整周模糊值求解算法及其仿真分析[J];系统工程与电子技术;2007年01期

8 周秀玲;郭平;陈宝维;王静;;几种计算超体积算法的比较研究[J];计算机工程;2011年03期

9 吴一戎,胡东辉,彭海良;Chirp Scaling SAR成象算法及其实现[J];电子科学学刊;1995年03期

10 王贵竹;一种产生单向分解值的算法[J];安徽大学学报(自然科学版);2001年03期

中国重要会议论文全文数据库 前10条

1 尹冀锋;;一种新的图象自适应增强算法[A];四川省通信学会一九九二年学术年会论文集[C];1992年

2 宁春平;田家玮;郭延辉;王影;张英涛;郑桂霞;刘研;;计算机辅助增强、分割算法在鉴别乳腺良、恶性肿块中的应用价值[A];中华医学会第十次全国超声医学学术会议论文汇编[C];2009年

3 谢丽聪;;SVB查询改写算法的改进[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

4 郑存红;;复杂背景下相关跟踪算法研究及DSP实现[A];中国光学学会2010年光学大会论文集[C];2010年

5 杨文杰;吴军;;RFID抗冲突算法研究[A];2008通信理论与技术新进展——第十三届全国青年通信学术会议论文集（上）[C];2008年

6 高山;毕笃彦;魏娜;;一种基于UPF的小目标TBD算法[A];第十四届全国图象图形学学术会议论文集[C];2008年

7 周磊;张卫华;王晓奇;张军;;基于流水算法的智能路障机器人设计[A];2011年全国电子信息技术与应用学术会议论文集[C];2011年

8 潘巍;李战怀;陈群;索博;李卫榜;;面向MapReduce的非对称分片复制连接算法优化技术研究[A];第29届中国数据库学术会议论文集（B辑）（NDBC2012）[C];2012年

9 李伟伟;蔡康颖;郑新;王文成;;3D模型中重复结构的多尺度快速检测算法[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

10 杨任尔;陈恳;励金祥;;基于棱边方向检测的运动自适应去隔行算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

中国重要报纸全文数据库 前1条

1 国泰君安资产管理部;“算法交易”是道指暴跌罪魁祸首?[N];上海证券报;2010年

中国博士学位论文全文数据库 前10条

1 冯辉;网络化的并行与分布式优化算法研究及应用[D];复旦大学;2013年

2 许玉杰;云计算环境下海量数据的并行聚类算法研究[D];大连海事大学;2014年

3 李琰;基于猫群算法的高光谱遥感森林类型识别研究[D];东北林业大学;2015年

4 陈加顺;海洋环境下聚类算法的研究[D];南京航空航天大学;2014年

5 王洋;基于群体智能的通信网络告警关联规则挖掘算法研究[D];太原理工大学;2015年

6 雷雨;面向考试时间表问题的启发式进化算法研究[D];西安电子科技大学;2015年

7 熊霖;大数据下的数据选择与学习算法研究[D];西安电子科技大学;2015年

8 周雷;基于图结构的目标检测与分割算法研究[D];上海交通大学;2014年

9 王冰;人工蜂群算法的改进及相关应用的研究[D];北京理工大学;2015年

10 蒋亦樟;多视角和迁移学习识别方法和智能建模研究[D];江南大学;2015年

中国硕士学位论文全文数据库 前10条

1 姚鑫宇;EMD去噪与MUSIC算法在DOA估计中的联合应用[D];昆明理工大学;2015年

2 陆进;面向含噪数据聚类相关算法的研究[D];复旦大学;2014年

3 李家昌;基于能量约束的超声图像自动分割算法[D];华南理工大学;2015年

4 陈坚;基于密度和约束的数据流聚类算法研究[D];兰州大学;2015年

5 高健;基于Zynq7000平台的去雾算法研究及实现[D];南京理工大学;2015年

6 顾磊;基于Hadoop的聚类算法的数据优化及其应用研究[D];南京信息工程大学;2015年

7 杨燕霞;基于Hadoop平台的并行关联规则挖掘算法研究[D];四川师范大学;2015年

8 王羽;基于MapReduce的社区发现算法的设计与实现[D];南京理工大学;2015年

9 许振佳;流式数据的并行聚类算法研究[D];曲阜师范大学;2015年

10 董琴;人工蜂群算法的改进与应用[D];大连海事大学;2015年

  本文关键词：基于GT-KM算法的入侵检测研究，由笔耕文化传播整理发布。

，

本文编号：456396