基于PSO模糊聚类算法的入侵检测研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (2): 149-151.

基于PSO模糊聚类算法的入侵检测研究

张凌杰¹,褚学征²,张国辉²

1.华北水利水电学院水利职业学院信息工程系，郑州 450008
2.华中科技大学数字制造装备与技术国家重点实验室，武汉 430074

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-11 发布日期:2008-01-11
通讯作者: 张凌杰

Research intrusion detection based on PSO fuzzy clustering algorithm

ZHANG Ling-jie¹,CHU Xue-zheng²,ZHANG Guo-hui²

1．Dept. of Information Engineering，North China University of Water Conservancy and Electric Power，Zhengzhou 450008，China
2．State Key Lab. of Digital Manufacturing Equipment and Tech.，Huazhong Univ. of Sci. and Tech.，Wuhan 430074，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-11 Published:2008-01-11
Contact: ZHANG Ling-jie

摘要/Abstract

摘要： 提出一种将粒子群优化（PSO）和FCM 相结合的聚类算法PSOFCA对入侵检测系统进行研究，克服FCM方法自身对初始值敏感、容易陷入局部最优等问题。最后对实验数据进行仿真实验，并将实验结果与其他算法结果相比较，结果表明PSOFCA算法在入侵检测中能获得较好的检测能力。

关键词: 入侵检测, 模糊均值算法, 粒子群优化算法

Abstract: A Particle Swarm Optimization-based Fuzzy Clustering Algorithms（PSOFCA） is proposed to improve some defects of sensitivity to the initial data，getting in the local optimization and so on about Fuzzy C-Means in intrusion detection system.Finally，the empirical datum is simulated，and the computational results compares with other algorithm results.The compared results show a better detective ability than other algorithms by the data obtained in experiment.

Key words: intrusion detection, FCM, PSO

张凌杰¹,褚学征²,张国辉². 基于PSO模糊聚类算法的入侵检测研究[J]. 计算机工程与应用, 2008, 44(2): 149-151.

ZHANG Ling-jie¹,CHU Xue-zheng²,ZHANG Guo-hui². Research intrusion detection based on PSO fuzzy clustering algorithm[J]. Computer Engineering and Applications, 2008, 44(2): 149-151.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	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.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	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.
[5]	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.
[6]	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.
[7]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.