改进的FCM算法在网络入侵检测中的应用

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (6): 5-8.

改进的FCM算法在网络入侵检测中的应用

唐德玉1，齐德昱2，蔡先发2，胡镜林3

1.广东药学院医药信息工程学院计算机系，广州 510006
2.华南理工大学计算机科学与工程学院计算机系，广州 510006
3.南昌航空大学信息工程学院计算机系，南昌 330063

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-02-21 发布日期:2012-02-21

Application of improved FCM algorithm to network intrude detection

TANG Deyu1, QI Deyu2, CAI Xianfa2, HU Jinglin3

1.Dept. of Computer, College of Medical Information and Engineering, Guangdong Pharmaceutical University, Guangzhou 510006, China
2.Dept. of Computer, College of Computer Science and Engineering, South China University of Technology, Guangzhou 510006, China
3.Dept. of Computer, College of Information and Engineering, Nanchang Hangkong University, Nanchang 330063, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-02-21 Published:2012-02-21

摘要/Abstract

摘要： 针对FCM聚类算法容易陷入局部最优且对初始点很敏感的问题，提出基于搜索空间平滑技术的点密度加权FCM算法以获得最优解。以所得的聚类中心作为输入，再次执行FCM算法，对于隶属度小于阈值的数据样本进行检测；如果该数据样本被删除，目标函数值变化明显，则该数据样本为异常数据样本，并且聚类最后产生的小的簇中的数据样本也是异常数据样本。在KDDCUP99数据集上进行检测，实验结果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, 搜索空间平滑, 3SW-FCM算法, D-FCM算法

Abstract: In view of the problem that FCM（Fuzzy C-Means） cluster algorithm easily traps in a local optimum and strongly depends on the initialization, this paper proposes a point density weighted FCM based on search space smoothing technique to get a global optimum. Input by obtained cluster centers, it implements FCM algorithm again, checking the data point when it’s membership value is smaller than the threshold, and if it is deleted, the objective function value changes obviously, then this data point is an abnormal data point, and the final small cluster should be abnormal data points. The experimental results based on the datum of KDDCUP99（Knowledge Discovery and Data Mining Cup 99） demonstrate that the algorithm possesses higher detection rate and lower misuse detection rate.

Key words: intrude detection, search space smoothing, 3SW-FCM algorithm, D-FCM algorithm

唐德玉1，齐德昱2，蔡先发2，胡镜林3. 改进的FCM算法在网络入侵检测中的应用[J]. 计算机工程与应用, 2012, 48(6): 5-8.

TANG Deyu1, QI Deyu2, CAI Xianfa2, HU Jinglin3. Application of improved FCM algorithm to network intrude detection[J]. Computer Engineering and Applications, 2012, 48(6): 5-8.

[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]	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.
[3]	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.
[4]	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.
[5]	黎佳玥，赵波，李想，刘会，刘一凡，邹建文. 基于深度学习的网络流量异常预测方法[J]. 计算机工程与应用, 2020, 56(6): 39-50.
[6]	陈虹，王闰婷，肖成龙，郭鹏飞，黄洁，陈红霖. 基于DBN-XGBDT的入侵检测模型研究[J]. 计算机工程与应用, 2020, 56(22): 83-91.
[7]	狄冲，李桐. 网络未知攻击检测的深度学习方法[J]. 计算机工程与应用, 2020, 56(22): 109-116.
[8]	汪盼，宋雪桦，王昌达，陈锋，徐夏强，蔡冠宇. 基于改进的深度信念网络的入侵检测方法[J]. 计算机工程与应用, 2020, 56(20): 87-92.
[9]	陈虹，赵建智，肖成龙，陈建虎，肖越. 改进ADASYN-SDA的入侵检测模型研究[J]. 计算机工程与应用, 2020, 56(2): 97-105.
[10]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[11]	吴德鹏，柳毅. 基于可变网络结构自组织映射的入侵检测模型[J]. 计算机工程与应用, 2020, 56(12): 81-86.
[12]	刘月峰1，王成1，张亚斌1，苑江浩2. 用于网络入侵检测的多尺度卷积CNN模型[J]. 计算机工程与应用, 2019, 55(3): 90-95.
[13]	蒋欣兰，贾文博. 高铁接触网异物侵入的机器视觉检测方法[J]. 计算机工程与应用, 2019, 55(22): 250-257.
[14]	马占飞1，杨晋2，金溢2，边琦3. 基于IQPSO-IDE算法的网络入侵检测方法[J]. 计算机工程与应用, 2019, 55(10): 115-120.
[15]	刘海燕，张钰，毕建权，邢萌. 基于分布式及协同式网络入侵检测技术综述[J]. 计算机工程与应用, 2018, 54(8): 1-6.