本文關(guān)鍵詞：基于蟻群優(yōu)化的層次聚類算法及其在網(wǎng)絡(luò)取證中的應(yīng)用　出處：《山東師范大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 網(wǎng)絡(luò)取證 蟻群優(yōu)化 凝聚型層次聚類 特征選擇

【摘要】：隨著網(wǎng)絡(luò)信息技術(shù)的發(fā)展,關(guān)于信息化的現(xiàn)象數(shù)不勝數(shù)。在網(wǎng)絡(luò)中,每天都會產(chǎn)生各種各樣不同類型的數(shù)據(jù),隨之而來出現(xiàn)了各種類型的網(wǎng)絡(luò)安全問題。在這種情況下,我們需要借助社會和法律的強(qiáng)大力量來對付利用計算機(jī)網(wǎng)絡(luò)進(jìn)行的犯罪活動。因此,網(wǎng)絡(luò)取證技術(shù)應(yīng)運(yùn)而生,并得到迅速發(fā)展。它的核心要點(diǎn)是對網(wǎng)絡(luò)中各種數(shù)據(jù)信息進(jìn)行提取和分析。本文應(yīng)用聚類方法對網(wǎng)絡(luò)中的數(shù)據(jù)進(jìn)行分析、處理,最后判斷出網(wǎng)絡(luò)中的正常行為和異常行為。本文首先研究了分析網(wǎng)絡(luò)數(shù)據(jù)信息所應(yīng)用到的一些重要方法,然后利用特征選擇方法對網(wǎng)絡(luò)中的數(shù)據(jù)進(jìn)行預(yù)處理,以便降低后續(xù)聚類分析的復(fù)雜度,最后運(yùn)用層次聚類方法分析網(wǎng)絡(luò)數(shù)據(jù)信息。本文所做的工作主要可以歸納為以下三個方面:(1)研究特征選擇方法,提出一種改進(jìn)的基于最大近鄰粗糙逼近的特征選擇算法網(wǎng)絡(luò)數(shù)據(jù)維數(shù)高、特征多的特點(diǎn)使得最優(yōu)特征的選擇尤為重要。基于最大近鄰粗糙逼近的特征選擇算法通過最大近鄰確定樣本的近鄰類,可以直接處理混合型數(shù)據(jù)。但是由于該方法在計算屬性重要度的時候只考慮了單個屬性相對于決策結(jié)果的重要度,所以本文首先重新定義了評價標(biāo)準(zhǔn),然后利用前向貪心搜索策略進(jìn)行特征選擇,最后選出最優(yōu)特征子集。通過實驗的結(jié)果,可以看出該方法選出的特征數(shù)量減少,而且在此基礎(chǔ)上,也提高了分類性能。(2)針對層次聚類如何選取合適的合并點(diǎn)問題,提出一種基于蟻群優(yōu)化的凝聚型層次聚類算法層次聚類算法一旦執(zhí)行分裂類或合并類,就不能修正,這樣就會產(chǎn)生低質(zhì)量的聚類結(jié)果。為了獲得高質(zhì)量的聚類結(jié)果,本文算法首先利用蟻群優(yōu)化算法中的狀態(tài)轉(zhuǎn)移規(guī)則選擇凝聚型層次聚類算法中下一個將要被合并的數(shù)據(jù)點(diǎn),然后利用信息素更新規(guī)則尋找聚類的最優(yōu)路徑。從實驗結(jié)果看,本文算法的準(zhǔn)確率比傳統(tǒng)的聚類算法更高,效果更好。(3)設(shè)計了基于蟻群優(yōu)化的凝聚型層次聚類的網(wǎng)絡(luò)取證系統(tǒng)在分析網(wǎng)絡(luò)數(shù)據(jù)的基礎(chǔ)上,針對每個過程設(shè)計了相應(yīng)的功能模塊,并將改進(jìn)的基于最大近鄰粗糙逼近的特征選擇算法和基于蟻群優(yōu)化的凝聚型層次聚類算法應(yīng)用于相應(yīng)的模塊中,最終實現(xiàn)了基于蟻群優(yōu)化的凝聚型層次聚類的網(wǎng)絡(luò)取證系統(tǒng)框架。該系統(tǒng)可以有效地分析網(wǎng)絡(luò)數(shù)據(jù),判斷網(wǎng)絡(luò)行為。
[Abstract]:With the development of network information technology , there are many kinds of data in the network . In this case , we need to use the powerful force of social and law to deal with the criminal activity using computer network .

【學(xué)位授予單位】：山東師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：D925.2;TP18;TP311.13

【相似文獻(xiàn)】

相關(guān)會議論文 前3條

1 馬曉艷;唐雁;;層次聚類算法研究[A];2008年計算機(jī)應(yīng)用技術(shù)交流會論文集[C];2008年

2 饒金通;董槐林;姜青山;;基于孤立因子的層次聚類算法與應(yīng)用[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2004年

3 吳楠楠;史亮;饒金通;姜青山;董槐林;;一種改進(jìn)的高效層次聚類算法[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2005年

相關(guān)博士學(xué)位論文 前1條

1 陳遠(yuǎn)浩;非監(jiān)督的結(jié)構(gòu)學(xué)習(xí)及其應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 郭芳芳;面向分類型集值數(shù)據(jù)的層次聚類算法研究[D];山西大學(xué);2015年

2 李彩云;基于密度的改進(jìn)型層次聚類算法研究[D];蘭州大學(xué);2016年

3 喬端瑞;基于K-means算法及層次聚類算法的研究與應(yīng)用[D];吉林大學(xué);2016年

4 程東東;基于自然鄰的層次聚類算法研究[D];重慶大學(xué);2016年

5 呂琳;基于蟻群優(yōu)化的層次聚類算法及其在網(wǎng)絡(luò)取證中的應(yīng)用[D];山東師范大學(xué);2017年

6 瞿俊;基于重疊度的層次聚類算法研究及其應(yīng)用[D];廈門大學(xué);2007年

7 楊海斌;一種新的層次聚類算法的研究及應(yīng)用[D];西北師范大學(xué);2011年

8 張冬梅;基于輪廓系數(shù)的層次聚類算法研究[D];燕山大學(xué);2010年

9 李慧馳;基于三度信息的雙重層次聚類算法[D];武漢理工大學(xué);2013年

10 張文開;基于密度的層次聚類算法研究[D];中國科學(xué)技術(shù)大學(xué);2015年

，

本文編號：1361483