一种进化半监督式模糊聚类的入侵检测算法

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (4): 33-35.

一种进化半监督式模糊聚类的入侵检测算法

杨晓强^1,2

1.西安电子科技大学微电子学院，西安 710071
2.西安科技大学计算机系，西安 710054

收稿日期:2007-07-23 修回日期:2007-11-13 出版日期:2008-02-01 发布日期:2008-02-01
通讯作者: 杨晓强

Algorithm for intrusion detection based on evolutionary semi-supervised fuzzy clustering

YANG Xiao-qiang^1,2

1.School of Microelectronics，Xidian University，Xi’an 710071，China
2.Department of Computer，Xi’an University of Science and Technology，Xi’an 710054，China

Received:2007-07-23 Revised:2007-11-13 Online:2008-02-01 Published:2008-02-01
Contact: YANG Xiao-qiang

摘要/Abstract

摘要： 在入侵检测系统中，未知标签数据容易获得，标签数据较难获得，对此提出了一种基于进化半监督式模糊聚类入侵检测算法。算法利用标签数据信息担任染色体的角色，引导非标签数据每个模糊分类的进化过程，能够使用少量的标签数据和大量未知标签数据生成入侵检测系统分类器，可处理模糊类标签，不易陷入局部最优，适合并行结构的实现。实验结果表明，算法有较高的检测率。

关键词: 入侵检测, 半监督学习, 聚类, 进化规划

Abstract: An algorithm for intrusion detection based on evolutionary semi-supervised fuzzy clustering is proposed which is suited for situation that gaining labeled data is more difficulty than unlabeled data in intrusion detection systems.The algorithm requires a small number of labeled data only and a large number of unlabeled dada，and class labels information provided by labeled data is used to guide the evolution process of each fuzzy partition on unlabeled data，which plays the role of chromosome.This algorithm can deal with fuzzy label，uneasily plunges locally optima and is suited to implement on parallel architecture.Experiments show that the algorithm can improve classification accuracy and has high detection efficiency.

Key words: intrsion detection, sem-supervised learning, clustering, evolutionary programming

杨晓强^1,2. 一种进化半监督式模糊聚类的入侵检测算法[J]. 计算机工程与应用, 2008, 44(4): 33-35.

YANG Xiao-qiang^1,2.

Algorithm for intrusion detection based on evolutionary semi-supervised fuzzy clustering

[J]. Computer Engineering and Applications, 2008, 44(4): 33-35.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[3]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[4]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[5]	杨芳，尹曦，司建辉，刘宏媛，汪雪. 基于侧重点聚类的数学表达式相似度计算方法[J]. 计算机工程与应用, 2021, 57(6): 88-93.
[6]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[7]	邹承明，胡佑璞. 引入生成对抗网络的室外场景单目深度估计[J]. 计算机工程与应用, 2021, 57(6): 176-183.
[8]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[9]	李勇振，廖湖声. 基于图卷积神经网络的多视角聚类[J]. 计算机工程与应用, 2021, 57(5): 115-122.
[10]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[11]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[12]	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.
[13]	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.
[14]	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.
[15]	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.