基于K值改进的K-means算法在入侵检测中的应用  

Improved K-means Algorithm Based on K Values in Intrusion Detection

作　　者：王朔[1] 顾进广[1] 

机构地区：[1]武汉科技大学计算机科学与技术学院,湖北武汉430065

出　　处：《工业控制计算机》2014年第7期93-94,97,共3页Industrial Control Computer

基　　金：国家自然科学基金(60803160;61100133;61272110);国家社会科学基金重大计划(11&ZD189);湖北省自然科学基金重点计划(2009CDA136;2009CDA034);湖北省教育厅科研项目(Q20101110;D2009110);武汉市科技攻关计划(201110821225);湖北省高等学校优秀中青年科技创新团队计划(T201202);软件工程国家重点实验室(武汉大学)开放基金SKLSE2012-09-07

摘　　要：K-means聚类算法在入侵检测的运用中存在两个重要的缺陷:一是初始聚类中心是随机选择的,二是容易陷入局部最优解。提出一种改进的K-means算法,首先通过数据筛选确定高密度区域,然后确定两个最远点作为初始聚类中心以及非模糊型的集群评估指标来确定剩下的初始聚类中心,最后再进行聚类分析。实验表明,改进后的K-means算法不再依靠随机的K值和聚类中心,使得聚类过程可以依据数据集本身进行自适应的调整,同时保证了较高的网络入侵的检测率和较低的误报率。There are two major flaws in the K-means clustering algorithm of intrusion detection：One is the initial cluster centers are randomly selected,the other is that it is easy to fall into local optimal solution.This paper proposes an improved K-means algorithm.First,determine the high-density region via data filtering,then determine the two farthest points as the initial cluster centers and non-fuzzy clustering model assessment index to determine the remaining initial cluster centers,finally, clustering analysis.

关 键 词：K-MEANS 聚类分析 非模糊型集群评估指标 KDD99 

分 类 号：TP393.08[自动化与计算机技术—计算机应用技术]