基于改进LDA和CNN的网络入侵聚类

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (2): 89-91.

基于改进LDA和CNN的网络入侵聚类

谭立志1，李二喜1，欧阳艾嘉2，贺明华3，周旭2，4

1.株洲职业技术学院科研处，湖南株洲 412001
2.湖南大学信息科学与工程学院，长沙 410082
3.井冈山大学高等教育研究所，江西吉安 343009
4.嘉兴学院数理与信息工程学院，浙江嘉兴 314001

出版日期:2013-01-15 发布日期:2013-01-16

Network intrusion clustering method based on improved LDA and CNN

TAN Lizhi1, LI Erxi1, OUYANG Aijia2, HE Minghua3, ZHOU Xu2，4

1.Department of Science & Research, Zhuzhou Vocational & Technical College, Zhuzhou, Hunan 412001, China
2.School of Information Science and Engineering, Hunan University, Changsha 410082, China
3.Institute of Higher Education, Jinggangshan University, Ji’an, Jiangxi 343009, China
4.College of Mathematics, Physics and Information Engineering, Jiaxing University, Jiaxing, Zhejiang 314001, China

Online:2013-01-15 Published:2013-01-16

摘要/Abstract

摘要： 提出了一种基于改进线性判别分析和近邻法的网络入侵聚类方法，运用改进的线性判别分析方法对网络入侵样本特征进行降维处理，使用近邻分类器对数据进行聚类。该算法降低了算法的聚类时间，还提高了算法的聚类能力。实验结果表明，相比其他模型，该算法有较高的检测率和较低的误警率。

关键词: 线性判别分析, 中心近邻法, 网络入侵, 聚类, 降维

Abstract: A hybrid method of improved Linear Discriminant Analysis（LDA） and Center-based Nearest Neighbor（CNN） classifier for clustering of network intrusions is proposed. The improved LDA is employed to reduce the dimensions of sample vector, and then the center-based nearest neighbor classifier is used to cluster for the data of network intrusions. The proposed algorithm not only reduces the clustering time of the algorithm, but also improves the clustering ability. Experimental results indicate that the proposed algorithm obtains higher clustering capability contrast to other models at a higher detection rate and a lower false alarm rate.

Key words: linear discriminant analysis, center-based nearest neighbor, network intrusions, clustering, dimension reduction

谭立志1，李二喜1，欧阳艾嘉2，贺明华3，周旭2，4. 基于改进LDA和CNN的网络入侵聚类[J]. 计算机工程与应用, 2013, 49(2): 89-91.

TAN Lizhi1, LI Erxi1, OUYANG Aijia2, HE Minghua3, ZHOU Xu2，4. Network intrusion clustering method based on improved LDA and CNN[J]. Computer Engineering and Applications, 2013, 49(2): 89-91.

[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]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[15]	梅婕，魏圆圆，许桃胜. 基于密度峰值多起始中心的融合聚类算法[J]. 计算机工程与应用, 2021, 57(22): 78-85.