本文關(guān)鍵詞：基于粗糙集的聚類算法及其在入侵檢測(cè)中的應(yīng)用，，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來(lái),網(wǎng)絡(luò)安全問(wèn)題日益嚴(yán)重,網(wǎng)絡(luò)攻擊手段也變得多元化、復(fù)雜化和智能化。傳統(tǒng)的靜態(tài)安全防御技術(shù),例如防火墻、數(shù)據(jù)加密等,已經(jīng)不能夠滿足我們對(duì)網(wǎng)絡(luò)安全的需求。作為一種主動(dòng)、動(dòng)態(tài)的安全防御技術(shù),入侵檢測(cè)技術(shù)近年來(lái)獲得了迅速發(fā)展和廣泛關(guān)注。但是,現(xiàn)有的入侵檢測(cè)方法在實(shí)際應(yīng)用中還存在諸多的問(wèn)題,例如,檢測(cè)精度低、誤警率居高不下等。針對(duì)現(xiàn)有的入侵檢測(cè)方法所存在的問(wèn)題,本文采用k-modes聚類算法來(lái)檢測(cè)入侵。作為k-means算法的一種有效擴(kuò)展,k-modes算法具有諸多的優(yōu)點(diǎn)。但是,現(xiàn)有的k-modes算法還存在很多問(wèn)題亟待解決,主要包括:(1)距離度量的定義不合理;(2)缺乏有效的機(jī)制來(lái)選擇初始類中心。為了將k-modes算法更好地應(yīng)用于入侵檢測(cè)中,本文基于粗糙集理論來(lái)解決現(xiàn)有的k-modes算法所存在的問(wèn)題。首先,針對(duì)k-modes聚類在初始類中心選擇方面所存在的問(wèn)題,利用粗糙集中的粗糙熵、屬性重要性等概念來(lái)計(jì)算每個(gè)屬性的權(quán)值,并由此提出一種新的初始類中心選擇算法;其次,提出一種新的k-modes聚類算法,并將該算法應(yīng)用于入侵檢測(cè)中,從而獲得一種新的無(wú)監(jiān)督入侵檢測(cè)模型。我們所提出的入侵檢測(cè)模型無(wú)需預(yù)先對(duì)原始數(shù)據(jù)進(jìn)行類別標(biāo)記,并且能夠從分類型數(shù)據(jù)集中快速、準(zhǔn)確地檢測(cè)出入侵,從而在一定程度上解決了現(xiàn)有的入侵檢測(cè)系統(tǒng)所存在的問(wèn)題。本文的工作主要包括以下幾個(gè)方面:(1)基于加權(quán)密度和加權(quán)重疊距離的初始類中心選擇算法。針對(duì)現(xiàn)有的k-modes聚類算法在初始類中心選擇方面所存在的問(wèn)題,本文提出了一種基于加權(quán)密度和加權(quán)重疊距離的初始類中心選擇算法Ini_Weight。在該算法中,我們通過(guò)計(jì)算對(duì)象的密度以及對(duì)象之間的距離來(lái)選擇初始類中心,而在計(jì)算對(duì)象之間的距離和對(duì)象的密度時(shí),不同的屬性將根據(jù)其重要性的大小被賦予不同的權(quán)重,從而可以有效地體現(xiàn)出不同屬性之間的差異。我們?cè)赨CI數(shù)據(jù)集上驗(yàn)證了Ini_Weight算法的性能,實(shí)驗(yàn)結(jié)果表明,Ini_Weight算法能夠準(zhǔn)確地選擇出聚類中心點(diǎn)。(2)基于加權(quán)重疊距離的k-modes聚類算法。在Ini_Weight算法基礎(chǔ)上,我們進(jìn)一步提出了一種新的基于加權(quán)重疊距離的k-modes聚類算法WODKM。在WODKM算法中,我們采用Ini_Weight算法來(lái)選擇初始中心點(diǎn),并且采用加權(quán)重疊距離度量來(lái)計(jì)算對(duì)象之間的距離,從而可以避免傳統(tǒng)的k-modes算法所存在的問(wèn)題。(3)無(wú)監(jiān)督入侵檢測(cè)模型UIDM_WODKM。我們將WODKM聚類算法應(yīng)用于入侵檢測(cè)中,從而獲得一種新的無(wú)監(jiān)督入侵檢測(cè)模型UIDM_WODKM。該模型通過(guò)將聚類結(jié)果中的簇劃分成正常簇和異常簇,并分析待檢測(cè)對(duì)象x在每個(gè)簇中的加權(quán)平均密度以及x與每個(gè)中心點(diǎn)的加權(quán)重疊距離來(lái)檢測(cè)入侵。我們?cè)贙DD Cup 99數(shù)據(jù)集上驗(yàn)證了該模型的入侵檢測(cè)性能。實(shí)驗(yàn)結(jié)果表明,UIDM_WODKM模型是一種有效的無(wú)監(jiān)督入侵檢測(cè)方法。
【關(guān)鍵詞】：聚類分析 粗糙集理論 加權(quán)平均密度 加權(quán)重疊距離 初始類中心 入侵檢測(cè)
【學(xué)位授予單位】：青島科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP393.08
【目錄】：

• 摘要3-5
• ABSTRACT5-10
• 第一章 緒論10-17
• 1.1 本文的研究背景10-12
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀12-15
• 1.2.1 基于分類的入侵檢測(cè)方法13-14
• 1.2.2 基于聚類的入侵檢測(cè)方法14-15
• 1.3 本文的主要研究?jī)?nèi)容及意義15-16
• 1.4 本文的組織結(jié)構(gòu)16-17
• 第二章 相關(guān)理論介紹17-28
• 2.1 入侵檢測(cè)介紹17-19
• 2.1.1 入侵檢測(cè)系統(tǒng)的基本概念17-18
• 2.1.2 入侵檢測(cè)系統(tǒng)的類別18-19
• 2.2 粗糙集理論概述19-21
• 2.3 數(shù)據(jù)挖掘介紹21-28
• 2.3.1 數(shù)據(jù)挖掘的定義21
• 2.3.2 數(shù)據(jù)挖掘的常用方法21-22
• 2.3.3 聚類的基本概念22-23
• 2.3.4 典型的聚類方法簡(jiǎn)介23-25
• 2.3.5 聚類分析的數(shù)據(jù)類型25-28
• 第三章 一種新的k-modes聚類初始類中心選擇算法28-38
• 3.1 引言28-29
• 3.2 基本概念29-30
• 3.3 加權(quán)重疊距離與加權(quán)平均密度30-32
• 3.4 初始中心選擇算法Ini_Weight32-33
• 3.5 實(shí)驗(yàn)分析33-36
• 3.6 本章小結(jié)36-38
• 第四章 基于加權(quán)重疊距離的k-modes聚類算法及其在入侵檢測(cè)中的應(yīng)用38-48
• 4.1 引言38
• 4.2 傳統(tǒng)的k-modes算法及其存在的問(wèn)題38-39
• 4.3 基于加權(quán)重疊距離的k-modes聚類算法WODKM39-41
• 4.4 WODKM算法在入侵檢測(cè)中的應(yīng)用41-43
• 4.5 實(shí)驗(yàn)43-48
• 4.5.1 數(shù)據(jù)預(yù)處理43-45
• 4.5.1.1 數(shù)據(jù)類型轉(zhuǎn)換43-44
• 4.5.1.2 數(shù)據(jù)離散化44-45
• 4.5.1.3 屬性約簡(jiǎn)45
• 4.5.2 實(shí)驗(yàn)過(guò)程與結(jié)果45-48
• 第五章 總結(jié)與展望48-52
• 參考文獻(xiàn)52-58
• 致謝58-60
• 攻讀碩士期間發(fā)表的學(xué)術(shù)論文60-62

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 江峰;王莎莎;杜軍威;眭躍飛;;基于近似決策熵的屬性約簡(jiǎn)[J];控制與決策;2015年01期

2 李向麗;耿鵬;邱保志;;混合屬性數(shù)據(jù)集的聚類邊界檢測(cè)技術(shù)[J];控制與決策;2015年01期

3 孟靜;吳錫生;;自動(dòng)確定聚類數(shù)算法在網(wǎng)絡(luò)入侵檢測(cè)中的應(yīng)用[J];計(jì)算機(jī)仿真;2013年10期

4 王莉;周獻(xiàn)中;沈捷;;一種改進(jìn)的粗K均值聚類算法[J];控制與決策;2012年11期

5 江峰;王春平;曾惠芬;;基于相對(duì)決策熵的決策樹(shù)算法及其在入侵檢測(cè)中的應(yīng)用[J];計(jì)算機(jī)科學(xué);2012年04期

6 王駿;王士同;鄧趙紅;;聚類分析研究中的若干問(wèn)題[J];控制與決策;2012年03期

7 梁吉業(yè);白亮;曹付元;;基于新的距離度量的K-Modes聚類算法[J];計(jì)算機(jī)研究與發(fā)展;2010年10期

8 張會(huì)影;;基于聚類與決策樹(shù)的綜合入侵檢測(cè)算法研究[J];計(jì)算機(jī)安全;2010年09期

9 蒲元芳;張巍;滕少華;杜紅樂(lè);;基于決策樹(shù)的協(xié)同網(wǎng)絡(luò)入侵檢測(cè)[J];江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年03期

10 陳偉統(tǒng);錢l勌

本文編號(hào)：380051