基于SVM的k-means聚类算法在WSN入侵检测中的应用

发布时间：2017-11-01 01:21

  本文关键词：基于SVM的k-means聚类算法在WSN入侵检测中的应用

  更多相关文章： 无线传感器网络 入侵检测 K-means聚类算法 局部最优 检测率

【摘要】：无线传感器网络(Wireless Sensor Network,WSN)能够在恶劣环境和特殊场合方便应用,使得无线传感器网络的研究具有很高的现实意义。因此WSN的相关问题研究也受到了学术界的高度关注。与传统网络有所不同,WSN的网络寿命有限又极易被入侵,所以无线传感器网络的安全问题相对来说就是一个全新的课题,同时也是一个亟待解决的课题。作为网络的第二层重要保护层,无线传感器网络的入侵检测方法也不能沿用以前的方法,因此WSN的入侵检测的研究同样具有很大的研究意义。本文在对WSN各种原有入侵检测技术研究的基础上,提出基于SVM的K-means聚类算法的入侵检测技术。本文首先肯定了K-means聚类算法在入侵检测系统的应用是极有研究意义的,对比分析K-means算法和constrained-K-means算法以及本文方案,然后引出本文改进方案以达到更好的检测效果。该机制主要是首先对数据集节点进行初次聚类,找到聚类中心和簇群,然后对每个簇群内运用支持向量机算法使簇群内的不同类节点间距离最大化以减少分簇的风险,再对两两分类后的簇群重新划分簇并判断聚类中心是否改变,最后通过不停迭代直至达到最优的效果。这种改进后的机制较好地提高了检测率,降低了误报警率。本文通过Kdd cup 99中的10%数据集作为实验数据进行实验,然后观察改进后的聚类算法在检测率和误报警率两项指标上的具体表现,最后和单独使用K-means聚类算法以及使用constrained-K-means算法在准确检测率、误报警率方面进行比较。从实验结果可以看出,通过与训练集对比,在已知单一的攻击类型或者是未知的混合攻击类型的数据集中,本机制有更高的检测率和更低的误报警率,在入侵检测时的表现更好。而且是一种完全无监督的轻量级的算法,适用于无线传感器网络。
【关键词】：无线传感器网络 入侵检测 K-means聚类算法 局部最优 检测率
【学位授予单位】：西华大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP212.9;TN915.08;TP311.13
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-19
• 1.1 引言9
• 1.2 无线传感器网络简介9-14
• 1.2.1 无线传感器网络发展历史9-10
• 1.2.2 无线传感器网络结构10-12
• 1.2.3 无线传感器网络传感器节点结构12-13
• 1.2.4 无线传感器网络特性13-14
• 1.2.5 无线传感器网络的重要应用14
• 1.3 选题背景与课题意义14-17
• 1.3.1 无线传感器网络的安全问题14-15
• 1.3.2 国内外研究现状15-16
• 1.3.3 研究目的和意义16-17
• 1.4 研究内容和本文结构17-19
• 2 无线传感器网络安全19-26
• 2.1 无线传感器网络安全性分析19-20
• 2.1.1 数据融合的安全性19-20
• 2.1.2 时间同步的安全性20
• 2.2 当前主要攻击类型简介20-24
• 2.2.1 物理层攻击20-21
• 2.2.2 链路层攻击21-22
• 2.2.3 网络层攻击22-23
• 2.2.4 传输层攻击23-24
• 2.2.5 应用层攻击24
• 2.3 本章小结24-26
• 3 无线传感器网络安全机制26-33
• 3.1 密钥管理26-27
• 3.2 安全路由27-28
• 3.3 入侵检测技术28-32
• 3.3.1 入侵检测的必要性28-29
• 3.3.2 入侵检测技术简介29-31
• 3.3.3 入侵检测技术研究方法31-32
• 3.3.4 入侵检测技术面临的威胁32
• 3.4 本章小结32-33
• 4 基于SVM的k-means聚类算法在入侵检测中的应用33-44
• 4.1 相关技术简介33-39
• 4.1.1 K-means算法33-37
• 4.1.2 建立簇内最优超平面37-39
• 4.2 基于SVM的K-means聚类算法39-43
• 4.2.1 算法思想介绍39-40
• 4.2.2 数据预处理40-41
• 4.2.3 算法流程41-43
• 4.3 本章小结43-44
• 5 实验设计与仿真44-57
• 5.1 仿真工具44-47
• 5.1.1 MATLAB简介45-46
• 5.1.2 MATLAB语法46
• 5.1.3 MATLAB常用命令46-47
• 5.2 实验数据来源和选择47-49
• 5.2.1 数据来源47-48
• 5.2.2 数据选择48-49
• 5.3 实验仿真49-55
• 5.3.1 仿真环境49-50
• 5.3.2 检测规则和系统性能评判50-51
• 5.3.3 实验方案的验证51-55
• 5.4 本章小结55-57
• 6 总结和展望57-59
• 6.1 总结57
• 6.2 展望57-59
• 参考文献59-63
• 攻读硕士学位期间发表的论文及科研成果63-64
• 致谢64-65

【相似文献】

中国期刊全文数据库 前10条

1 韩秀苓，程凡，高建林，，李传光;管道自适应有源噪声控制算法[J];Journal of Beijing Institute of Technology(English Edition);1995年01期

2 陶新民;徐晶;童智靖;刘玉;;不均衡数据下基于阴性免疫的过抽样新算法[J];控制与决策;2010年06期

3 赵国峰;闫亮;;用于快速流分类的关键字分解Hash算法[J];计算机工程;2010年16期

4 郭雷勇;谭洪舟;高守平;郭笑梅;;RFID系统阅读器反碰撞算法分类与研究[J];计算机技术与发展;2009年09期

5 郝水侠,李凡长;多Agent的并行思智算法[J];计算机工程与应用;2004年10期

6 刘贝家;方景龙;;基于SVDD的多示例学习算法[J];科技通报;2011年02期

7 田大东;邓伟;;基于不同惩罚系数的SMO改进算法[J];计算机应用;2008年09期

8 许敏;王士同;顾鑫;;TL-SVM:一种迁移学习算法[J];控制与决策;2014年01期

9 李雅林;张化祥;张顺;;基于近邻加权及多示例的多标记学习改进算法[J];计算机工程与应用;2013年16期

10 罗玉华,李三立;RISC多发射结构中循环优化的软件流水算法[J];计算机学报;1993年09期

中国博士学位论文全文数据库 前10条

1 吴涛;粒子群及量子行为粒子群优化算法的改进研究[D];西南交通大学;2014年

2 徐勇;分布式压缩感知的算法及其应用研究[D];中国地质大学;2015年

3 王贵参;重叠社区发现中的边聚类算法研究[D];吉林大学;2016年

4 蔡先发;基于图的半监督算法及其应用研究[D];华南理工大学;2013年

5 蒋良孝;朴素贝叶斯分类器及其改进算法研究[D];中国地质大学;2009年

6 李美安;普适分布式互斥算法及应用[D];电子科技大学;2007年

7 孙岩;贝叶斯网络结构学习算法研究与应用[D];大连理工大学;2010年

8 吴伟宁;主动学习算法中采样策略研究[D];哈尔滨工业大学;2013年

9 汪庆淼;基于目标函数的模糊聚类新算法及其应用研究[D];江苏大学;2014年

10 戴朝华;搜寻者优化算法及其应用研究[D];西南交通大学;2009年

中国硕士学位论文全文数据库 前10条

1 李超;基于标签传播及适合度的社团聚类算法研究[D];西南大学;2015年

2 刘晨曦;RFID定位VIRE算法的研究与改进[D];贵州师范大学;2015年

3 马睿;利用岩石光谱和改进的PC算法实现矿物的识别[D];新疆大学;2015年

4 万猛;推荐系统攻击检测算法的研究[D];电子科技大学;2014年

5 刘排;基于OMNeT++的无线传感器网络节点定位改进算法的研究[D];河北工业大学;2015年

6 陈辰;无线通信领域MIMO检测类算法的硬件加速技术研究[D];国防科学技术大学;2013年

7 韩超;场景分类与道路场景异常识别算法研究[D];北京交通大学;2016年

8 董楠;行车热点中无监督聚类算法的研究与应用[D];东北大学;2014年

9 林玉琪;基于多智能体的数据流聚类算法研究[D];福州大学;2013年

10 曹鹏;基于Spark平台的聚类算法的优化与实现[D];北京交通大学;2016年

本文编号：1124620