網(wǎng)絡(luò)的高速發(fā)展在給人們的生活和通信帶來(lái)極大便利的同時(shí),也產(chǎn)生了日益嚴(yán)重的安全問(wèn)題。入侵檢測(cè)技術(shù)是網(wǎng)絡(luò)安全領(lǐng)域的一個(gè)重要研究方向。數(shù)據(jù)流的入侵檢測(cè)過(guò)程實(shí)際上是對(duì)數(shù)據(jù)流的挖掘處理過(guò)程,在入侵檢測(cè)中一般認(rèn)為正常行為模式的數(shù)據(jù)量遠(yuǎn)遠(yuǎn)大于入侵行為模式的數(shù)據(jù)量,采用聚類(lèi)的思想將數(shù)據(jù)流中正常行為模式的數(shù)據(jù)分配給類(lèi)簇,而入侵行為模式的數(shù)據(jù)與該類(lèi)簇的相似性很低。網(wǎng)絡(luò)數(shù)據(jù)流的海量、高速等特點(diǎn),對(duì)入侵檢測(cè)的擴(kuò)展性、準(zhǔn)確性、實(shí)時(shí)性等方面提出了更高的要求。傳統(tǒng)的靜態(tài)聚類(lèi)算法在處理數(shù)據(jù)流時(shí)容易因?yàn)楹雎詳?shù)據(jù)的動(dòng)態(tài)變化性而造成較大的誤差,這就要求對(duì)數(shù)據(jù)流的處理具有靈活性、實(shí)時(shí)性的特點(diǎn),且模型能夠及時(shí)動(dòng)態(tài)調(diào)整以適應(yīng)數(shù)據(jù)流的變化�；谏鲜龇治�,本文主要針對(duì)基于增量聚類(lèi)的數(shù)據(jù)流入侵檢測(cè)算法進(jìn)行研究,具體研究?jī)?nèi)容包括:1.網(wǎng)絡(luò)數(shù)據(jù)流通常具有高維、無(wú)限性的特點(diǎn)。針對(duì)用流形學(xué)習(xí)對(duì)數(shù)據(jù)流進(jìn)行降維特征選擇時(shí)重復(fù)更新協(xié)方差矩陣造成的時(shí)間復(fù)雜度高和降維誤差的問(wèn)題,本文提出了基于增量流形的數(shù)據(jù)流入侵特征選擇方法。該方法通過(guò)局部主成分分析得到樣本點(diǎn)的特征向量,構(gòu)造增量形式的內(nèi)積矩陣,代替協(xié)方差矩陣的重復(fù)計(jì)算過(guò)程。為了降低降維誤差,引入優(yōu)化函... 

【文章來(lái)源】：南京信息工程大學(xué)江蘇省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

入侵檢測(cè)的一般原理

圖 2.2 基于數(shù)據(jù)流聚類(lèi)的入侵檢測(cè)原理主要從網(wǎng)絡(luò)中各個(gè)不同的關(guān)鍵節(jié)點(diǎn)收集信息，包括系統(tǒng)。采集到的數(shù)據(jù)經(jīng)過(guò)聚類(lèi)方法生成能夠描述原始數(shù)據(jù)的，以進(jìn)行后續(xù)入侵檢測(cè)過(guò)程中的模式匹配。在入侵檢測(cè)為記錄集和異常行為記錄集通過(guò)關(guān)聯(lián)分析等手段形成中能夠匹配異常行為模式的則被認(rèn)為是入侵，系統(tǒng)收到反對(duì)聚類(lèi)手段的異常檢測(cè)過(guò)程進(jìn)行研究。的特點(diǎn)述的數(shù)據(jù)流的特點(diǎn)，可以總結(jié)出基于數(shù)據(jù)流的聚類(lèi)有以下?lián)鞯臒o(wú)限性以及計(jì)算系統(tǒng)內(nèi)存和資源的有限性，要將理幾乎是不可能的，這就導(dǎo)致對(duì)數(shù)據(jù)流進(jìn)行多次讀取的算法要求單遍掃描數(shù)據(jù)，并盡可能地針對(duì)數(shù)據(jù)流的概要

3.1 基于增量流形特征選擇的數(shù)據(jù)流入侵檢測(cè)原測(cè)過(guò)程主要包括三個(gè)步驟。原始數(shù)據(jù)（或者可，在本文中入侵檢測(cè)主要通過(guò)聚類(lèi)實(shí)現(xiàn)。聚的聚類(lèi)模型，生成入侵類(lèi)簇和正常類(lèi)簇，發(fā)則持續(xù)監(jiān)聽(tīng)。在檢測(cè)過(guò)程中，首先通過(guò)特征聚類(lèi)檢測(cè)過(guò)程。圖 3.2 給出了本章的基于增

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)的分類(lèi)數(shù)據(jù)聚類(lèi)中心初始化方法[J]. 王思杰,唐雁.  計(jì)算機(jī)應(yīng)用. 2018(S1)
[2]協(xié)方差矩陣自適應(yīng)演化策略學(xué)習(xí)機(jī)制綜述[J]. 李煥哲,吳志健,汪慎文,郭肇祿.  電子學(xué)報(bào). 2017(01)
[3]基于擬蒙特卡洛的K均值聚類(lèi)中心初始化方法[J]. 莊瑞格,倪澤邦,劉學(xué)藝.  濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(01)
[4]一種有效的均值聚類(lèi)初始化方法[J]. 張魯營(yíng),趙曉凡.  智能計(jì)算機(jī)與應(yīng)用. 2016(03)
[5]基于最小生成樹(shù)的層次K-means聚類(lèi)算法[J]. 賈瑞玉,李振.  微電子學(xué)與計(jì)算機(jī). 2016(03)
[6]K近鄰優(yōu)化的密度峰值快速搜索聚類(lèi)算法[J]. 謝娟英,高紅超,謝維信.  中國(guó)科學(xué):信息科學(xué). 2016(02)
[7]一種基于密度的高性能增量聚類(lèi)算法[J]. 劉建曄,李芳.  計(jì)算機(jī)工程. 2006(21)

碩士論文
[1]數(shù)據(jù)挖掘中增量聚類(lèi)算法的研究[D]. 張義.哈爾濱理工大學(xué) 2016



本文編號(hào)：3534916