信息技術(shù)已經(jīng)滲透到各個(gè)領(lǐng)域,信息安全問題受到了嚴(yán)重的考驗(yàn)。網(wǎng)絡(luò)病毒的種類增長(zhǎng)速度很快,防火墻、數(shù)據(jù)加密等靜態(tài)防御方式對(duì)網(wǎng)絡(luò)安全的作用受到了極大的挑戰(zhàn)。入侵檢測(cè)技術(shù)具有主動(dòng)的防御性,很好地彌補(bǔ)了傳統(tǒng)安全技術(shù)的缺陷。聚類是一個(gè)將數(shù)據(jù)劃分為若干個(gè)組或類的過程,并使得同一個(gè)組內(nèi)數(shù)據(jù)對(duì)象具有較高的相似度,而不同組中的數(shù)據(jù)對(duì)象則是不相似的。聚類算法應(yīng)用于入侵檢測(cè)能夠發(fā)現(xiàn)未知入侵,已經(jīng)成為了當(dāng)今入侵檢測(cè)的研究熱點(diǎn)。本文開展了以K-均值聚類分析為基礎(chǔ)的入侵檢測(cè)研究,改進(jìn)了K-均值聚類算法,建立了基于改進(jìn)K-均值聚類算法的入侵檢測(cè)模型,并用實(shí)驗(yàn)對(duì)模型的性能進(jìn)行了測(cè)評(píng)。首先,本文介紹了入侵檢測(cè)的概念與作用、基本模型以及分類；闡述了聚類的概念、聚類中相似性度量方法、類間的測(cè)度函數(shù)、聚類分析的主要研究方向、聚類的一般過程以及入侵檢測(cè)中的聚類算法。K-均值聚類算法有收斂速度快、處理數(shù)據(jù)效率高等優(yōu)點(diǎn),但有些不足之處需要改進(jìn)。其次,本文的主要貢獻(xiàn)：針對(duì)K-均值算法對(duì)初始聚類中心存在嚴(yán)重依賴性和需要人為地給出聚類個(gè)數(shù)K值的缺陷,提出了一種確定K值的方法；針對(duì)K-均值算法對(duì)初始聚類中心的敏感性并且極易陷入局部最優(yōu)的缺陷... 

【文章來源】：天津理工大學(xué)天津市

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
目錄
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文的主要工作和結(jié)構(gòu)安排
        1.3.1 本文的主要工作
        1.3.2 本文的結(jié)構(gòu)安排
第二章 入侵檢測(cè)
    2.1 入侵檢測(cè)的概念與作用
        2.1.1 入侵檢測(cè)的概念
        2.1.2 入侵檢測(cè)的作用
    2.2 入侵檢測(cè)系統(tǒng)的基本模型
        2.2.1 通用入侵檢測(cè)模型(Denning模型)
        2.2.2 通用入侵檢測(cè)模型(CIDF模型)
        2.2.3 層次化的入侵檢測(cè)模型(IDM模型)
    2.3 入侵檢測(cè)系統(tǒng)的分類
        2.3.1 根據(jù)系統(tǒng)數(shù)據(jù)來源分類
        2.3.2 根據(jù)入侵檢測(cè)方法分類
    2.4 本章小結(jié)
第三章 聚類分析
    3.1 聚類
        3.1.1 聚類的概念
        3.1.2 主要的聚類分析方法
    3.2 聚類中的相關(guān)定義
        3.2.1 聚類分析中的數(shù)據(jù)結(jié)構(gòu)與數(shù)據(jù)類型
        3.2.2 聚類算法中常用的相似性度量方法
        3.2.3 類間的測(cè)度函數(shù)
        3.2.4 聚類準(zhǔn)則函數(shù)
    3.3 聚類分析主要的研究方向
    3.4 聚類的一般過程
    3.5 應(yīng)用于入侵檢測(cè)的聚類分析
    3.6 本章小節(jié)
第四章 改進(jìn)的K-均值聚類算法
    4.1 混沌
        4.1.1 混沌理論
        4.1.2 混沌優(yōu)化算法
    4.2 差分進(jìn)化算法
        4.2.1 差分進(jìn)化算法原理
        4.2.2 差分進(jìn)化算法參數(shù)的設(shè)定
        4.2.3 差分進(jìn)化算法的流程
    4.3 改進(jìn)的差分進(jìn)化算法
        4.3.1 基于混沌的DE進(jìn)化操作
        4.3.2 差分進(jìn)化參數(shù)的改進(jìn)
        4.3.3 改進(jìn)的差分進(jìn)化算法
    4.4 K-均值聚類算法
        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-均值算法的主要問題
    4.5 基于改進(jìn)差分進(jìn)化的K-均值聚類算法
        4.5.1 聚類個(gè)數(shù)K的改進(jìn)
        4.5.2 對(duì)選取適當(dāng)初始聚類中心的改進(jìn)
        4.5.3 基于改進(jìn)差分進(jìn)化的K-均值算法
    4.6 本章小結(jié)
第五章 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
    5.1 基于改進(jìn)K-均值聚類算法的入侵檢測(cè)模型
        5.1.1 模型的整體結(jié)構(gòu)
        5.1.2 功能模塊設(shè)計(jì)及實(shí)現(xiàn)方法
    5.2 數(shù)據(jù)預(yù)處理
        5.2.1 KDDCUP99數(shù)據(jù)集簡(jiǎn)介
        5.2.2 數(shù)據(jù)的標(biāo)準(zhǔn)化與歸一化
        5.2.3 主成分分析進(jìn)行特征選擇
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 對(duì)混合攻擊類型進(jìn)行聚類實(shí)驗(yàn)
        5.3.2 對(duì)指定特定攻擊類型單獨(dú)進(jìn)行實(shí)驗(yàn)
    5.4 本章小節(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
發(fā)表論文和科研情況說明
致謝


【參考文獻(xiàn)】：
期刊論文
[1]融合改進(jìn)差分進(jìn)化思想的K-調(diào)和均值聚類[J]. 毛力,劉興陽,沈明明,楊弘.  計(jì)算機(jī)工程與應(yīng)用. 2013(04)
[2]分階段二次變異的多目標(biāo)混沌差分進(jìn)化算法[J]. 王筱珍,李鵬,俞國(guó)燕.  控制與決策. 2011(03)
[3]一種混沌差分進(jìn)化和粒子群優(yōu)化混合算法[J]. 陽春華,錢曉山,桂衛(wèi)華.  計(jì)算機(jī)應(yīng)用研究. 2011(02)
[4]一種新的混沌差分進(jìn)化算法[J]. 譚躍,譚冠政,涂立.  計(jì)算機(jī)工程. 2009(11)
[5]基于數(shù)據(jù)挖掘技術(shù)的入侵檢測(cè)研究[J]. 常秉琨,李莉.  電腦知識(shí)與技術(shù). 2009(09)
[6]一種自適應(yīng)差分演化算法[J]. 毛潤(rùn)宇,王小平,薛小平.  計(jì)算機(jī)應(yīng)用與軟件. 2008(12)
[7]差分進(jìn)化算法的交叉概率因子遞增策略研究[J]. 鄧澤喜,劉曉冀.  計(jì)算機(jī)工程與應(yīng)用. 2008(27)
[8]一種新的差分進(jìn)化算法[J]. 鄧澤喜,曹敦虔,劉曉冀,李娜.  計(jì)算機(jī)工程與應(yīng)用. 2008(24)
[9]基于差分算法的K-均值聚類分析[J]. 李聰明.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2008(06)
[10]利用混沌差分進(jìn)化算法預(yù)測(cè)RNA二級(jí)結(jié)構(gòu)[J]. 胡桂武,彭宏.  計(jì)算機(jī)科學(xué). 2007(09)



本文編號(hào)：3491741