K-means聚类算法在网络入侵检测中的应用研究

• 作 者: 薛京花
• 出 处: 中南林业科技大学
• 发表日期: 2012年期
• 关键词: 网络安全 入侵检测系统 K-means算法 孤立点

在计算机技术飞速发展的今天,网络安全已经成为社会发展的重要保证,大部分技术的发展依托于网络安全的支持,因此,网络资源的共享一方面让社会信息的交换变得更加的方便和快捷,而另一方面,网络安全直接影响着社会发展的信息安全问题。入侵检测系统在网络安全的体系结构中占着重要的部分,随着入侵方式的多样化,复杂化,对入侵检测系统也就提出了更高的要求。本文介绍了入侵检测的基本概念、原理及其发展面临的问题等,阐述了K-means算法的原理和流程,研究分析了K-means算法在入侵检测系统应用中存在的问题。针对其初始值敏感容易受孤立点影响,以及收敛结果容易陷入局部最优等缺点提出先删除孤立点再对初始中心进行优化选择,最后再对删除的孤立点聚类的方法进行改进算法。本文提出基于聚类的入侵检测模型,利用入侵检测数据集KDD Cup99在入侵检测模型基础上对改进的K-means算法做仿真实验。实验表明：在对混合数据的入侵检测中,改进的K-means算法相对传统的K-means算法使各数据的检测率提高了4.4%到21.9%,误检率下降了0.03%到0.21%；在对单一已知的入侵数据检测中,改进的K-means算法相对传统的K-means算法使各数据的检测率提高了12.3%到20.8%,误检率降低了0.08%到0.2%；在对未知的单一入侵数据检测中,改进的K-means算法相对传统的K-means算法使各数据的检测率提高了6%到20%,误检率降低了0.1%到0.26%。由此可看出,改进的K-means算法相对传统K-means算法的聚类效果有明显的改善,同时也收到了良好的检测效果。