基于簇连接度聚类算法的入侵检测

doi:10.3778/j.issn.1002-8331.2010.21.023

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (21): 82-85.DOI: 10.3778/j.issn.1002-8331.2010.21.023

基于簇连接度聚类算法的入侵检测

党小超¹，郝占军^2，3，王筱娟³

1.西北师范大学网络教育学院，兰州 730070
2.西京学院工程技术系，西安 710123
3.西北师范大学数学与信息科学学院，兰州 730070

收稿日期:2010-03-26 修回日期:2010-05-24 出版日期:2010-07-21 发布日期:2010-07-21
通讯作者: 党小超

Intrusion detection based on cluster connectivity clustering algorithm

DANG Xiao-chao¹，HAO Zhan-jun^2，3，WANG Xiao-juan³

1.College of Network Education，Northwest Normal University，Lanzhou 730070，China
2.Department of Engineering Technology，Xijing University，Xi’an 710123，China
3.College of Mathematics & Information Science，Northwest Normal University，Lanzhou 730070，China

Received:2010-03-26 Revised:2010-05-24 Online:2010-07-21 Published:2010-07-21
Contact: DANG Xiao-chao

摘要/Abstract

摘要： 针对K-means、FMC聚类算法容易陷入局部最优且对初始解很敏感的问题，提出了一种新的基于划分和连接度的聚类优化算法，并给出了具体算法实现，明显地避免了对初始化选值敏感性的问题。给出了在KDDCUP99数据集上的检测结果，实验表明该算法具有较高的检测率及较低的误检率。

关键词: 入侵检测, 聚类算法, 连接度, 簇

Abstract: In view of the problem that K-means and FMC cluster algorithm easily trap in a local optimum and strongly depend on the initialization，a new clustering optimization algorithm is presented based on division and connectivity，and gives concrete realization of the algorithm，avoids the sensitivity to the initialization value obviously.The experimental results based on the datum of KDDCUP99 demonstrate that the algorithm possesses higher detection rate and lower misuse detection rate.

Key words: intrusion detection, clustering algorithm, connectivity, cluster

中图分类号:

TP393.08

党小超¹，郝占军^2，3，王筱娟³. 基于簇连接度聚类算法的入侵检测[J]. 计算机工程与应用, 2010, 46(21): 82-85.

DANG Xiao-chao¹，HAO Zhan-jun^2，3，WANG Xiao-juan³.

Intrusion detection based on cluster connectivity clustering algorithm

[J]. Computer Engineering and Applications, 2010, 46(21): 82-85.

[1]	王振东，张林，李大海. 基于机器学习的物联网入侵检测系统综述[J]. 计算机工程与应用, 2021, 57(4): 18-27.
[2]	王俊玲，卢新明. 基于语义相关的视频关键帧提取算法[J]. 计算机工程与应用, 2021, 57(4): 192-198.
[3]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[4]	陈俊丰，郑中团. WKMeans与SMOTE结合的不平衡数据过采样方法[J]. 计算机工程与应用, 2021, 57(23): 106-112.
[5]	张子然，黄卫华，陈阳，章政，李梓远. 基于双向搜索的改进蚁群路径规划算法[J]. 计算机工程与应用, 2021, 57(21): 270-277.
[6]	丁松阳，田青云. Ball-Tree优化的密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(20): 90-96.
[7]	曹磊，李占斌，杨永胜，赵龙飞. 基于双层注意力神经网络的入侵检测方法[J]. 计算机工程与应用, 2021, 57(19): 142-149.
[8]	翁玉尚，肖金球，夏禹. 改进Mask R-CNN算法的带钢表面缺陷检测[J]. 计算机工程与应用, 2021, 57(19): 235-242.
[9]	王日宏，邢聪颖，徐泉清，袁杉杉. 具有监督机制的高效拜占庭容错算法[J]. 计算机工程与应用, 2021, 57(18): 142-148.
[10]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[11]	白璐，赵鑫，孔钰婷，张正航，邵金鑫，钱育蓉. 谱聚类算法研究综述[J]. 计算机工程与应用, 2021, 57(14): 15-26.
[12]	相益萱，姜合，潘品臣，孙聪慧. 二次幂耦合的[K]-means聚类算法研究[J]. 计算机工程与应用, 2021, 57(14): 95-102.
[13]	巩俊辉，胡晓辉，杜永文. 基于演化博弈的最优防御策略选取研究[J]. 计算机工程与应用, 2021, 57(13): 116-123.
[14]	彭家寅. 通过五粒子信道的非对称双向量子信息传输[J]. 计算机工程与应用, 2021, 57(10): 88-93.
[15]	韩纪普，段先华，常振. 基于SLIC和区域生长的目标分割算法[J]. 计算机工程与应用, 2021, 57(1): 213-218.

基于簇连接度聚类算法的入侵检测

Intrusion detection based on cluster connectivity clustering algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics