自适应聚类算法在DDoS攻击检测中的应用

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (2): 86-89.

自适应聚类算法在DDoS攻击检测中的应用

李丽娟1，2，李少东1

1.湖南大学计算机与通信学院，长沙 410082
2.湖南大学网络与信息安全湖南省重点实验室，长沙 410082

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-01-11 发布日期:2012-01-11

Application of adaptive clustering algorithm on DDoS attacks detection

LI Lijuan1，2, LI Shaodong1

1.School of Computer and Communication, Hunan University, Changsha 410082, China
2.Hunan Provincial Key Laboratory of Network and Information?Security, Hunan University, Changsha 410082, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-01-11 Published:2012-01-11

摘要/Abstract

摘要： 针对DDoS攻击检测中k-means算法对初始聚类中心敏感和要求输入聚类数目的缺点，提出了一种基于动态指数和初始聚类中心点选取的自适应聚类算法（Adaptive Clustering Algorithm），并使用该算法建立DDoS攻击检测模型。通过使用LLS_DDoS_1.0数据集对该模型进行测试并与k-means算法对比，实验结果表明，该算法提高了DDoS攻击的检测率，降低了误警率，验证了检测方法的有效性。

关键词: DDoS攻击检测, k-means算法, 动态指数, 自适应聚类算法

Abstract: The k-means algorithm in DDoS attack detection is sensitive to the initial cluster centers and need to input the number of clusters. For the above two drawbacks, a new adaptive clustering algorithm based on dynamic index and the initial center selection is proposed, and use it to establish the DDoS attack detection model. Then the detection model is tested by using the LLS_DDoS_1.0 data sets, and is compared with the k-means algorithm. The result show that the method improves the detection rate and reduces the false alarm rate. So it is an effective detection method.

Key words: DDoS attacks detection, k-means algorithm, dynamic index, adaptive clustering algorithm

李丽娟1，2，李少东1. 自适应聚类算法在DDoS攻击检测中的应用[J]. 计算机工程与应用, 2012, 48(2): 86-89.

LI Lijuan1，2, LI Shaodong1. Application of adaptive clustering algorithm on DDoS attacks detection[J]. Computer Engineering and Applications, 2012, 48(2): 86-89.

[1]	潘成胜，张斌，吕亚娜，杜秀丽，邱少明. 改进灰狼优化算法的K-Means文本聚类[J]. 计算机工程与应用, 2021, 57(1): 188-193.
[2]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[3]	张震，李浩方，李孟州. YOLO算法在安检异常图像中的研究[J]. 计算机工程与应用, 2020, 56(21): 187-193.
[4]	李峰，李明祥，张宇敬. 局部迭代的快速K-means聚类算法[J]. 计算机工程与应用, 2020, 56(13): 63-71.
[5]	马菁1，2，李力3. RDD上扩展索引层优化的分布式K-means算法[J]. 计算机工程与应用, 2019, 55(1): 161-167.
[6]	向程谕，王冬丽，周彦，李雅芳. 基于RGB-D融合特征的图像分类[J]. 计算机工程与应用, 2018, 54(8): 178-182.
[7]	陈庆虎，周小丹，鄢煜尘. 基于字符图像分割的打印文件识别方法[J]. 计算机工程与应用, 2018, 54(7): 170-175.
[8]	王彬宇1，刘文芬2，胡学先1，魏江宏1. 基于余弦距离选取初始簇中心的文本聚类研究[J]. 计算机工程与应用, 2018, 54(10): 11-18.
[9]	白树仁1，2，陈龙2. 自适应K值的粒子群聚类算法[J]. 计算机工程与应用, 2017, 53(16): 116-120.
[10]	邱云飞，赵彬，林明明，王伟. 结合语义改进的K-means短文本聚类算法[J]. 计算机工程与应用, 2016, 52(19): 78-83.
[11]	欧慧，夏卓群，武志伟. 基于改进流形距离的粗糙集k-means聚类算法[J]. 计算机工程与应用, 2016, 52(14): 84-89.
[12]	何云斌1，刘雪娇1，王知强2，万静1，李松1. 基于全局中心的高密度不唯一的K-means算法研究[J]. 计算机工程与应用, 2016, 52(1): 48-54.
[13]	党小超1，2，毛鹏鑫1，郝占军1，2. 基于快速求解高斯混合模型的流量聚类算法[J]. 计算机工程与应用, 2015, 51(8): 96-101.
[14]	陈强业1，2，李际军1. 基于方向约束的对称距离聚类算法[J]. 计算机工程与应用, 2015, 51(20): 120-125.
[15]	唐立力. 基于信息熵与动态聚类的文本特征选择方法[J]. 计算机工程与应用, 2015, 51(19): 152-157.