基于模糊聚类分析的入侵检测技术研究

论文摘要

入侵检测技术是一种积极主动的安全防护技术,它可以弥补传统安全保护机制的许多不足。然而随着入侵手段的多样化,传统的入侵检测技术已无法满足当前网络安全的需要,将智能技术融入到入侵检测中已成为当今研究的一个热点。聚类分析是一种无监督学习技术。将聚类分析应用到入侵检测中,提取数据中有潜在价值的知识和规则,可以在未标记数据集上发现异常行为。由于数据挖掘是以海量高维数据为处理对象的,所以在原有聚类算法的基础上又提出了许多新的聚类算法,如基于模型的聚类算法,基于密度的聚类算法以及模糊聚类算法等。基于聚类分析的入侵检测技术提高了系统处理海量数据的能力和检测能力,并使得入侵检测系统具有自学习、自组织的能力。基于上述研究背景,本文主要工作如下:1.基于数据噪音、误差等因素会影响模糊C均值算法的聚类效果,提出一种基于密度的离群点辨认方法,以克服传统模糊C均值算法对孤立点比较敏感的缺陷。2.由于遗传算法进化过程中会存在欺骗和未成熟收敛问题,在离群点辨认基础上提出一种基于改进遗传算法的模糊C均值算法,以提高全局搜索能力,改进原算法对初始值比较敏感和所求解是局部最优的不足。3.采用KDDCUPl999数据集中的数据进行仿真实验,实验结果表明,改进后的算法在入侵检测中获得了较高的检测率和较低的误报率,有较好的检测性能。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景
• 1.2 国内外研究现状
• 1.3 本文的主要工作和组织结构
• 1.3.1 本文主要工作
• 1.3.2 本文组织结构
• 第二章 入侵检测与聚类分析
• 2.1 入侵检测系统分析
• 2.1.1 入侵检测系统概述
• 2.1.2 入侵检测系统的分类
• 2.1.3 入侵检测技术研究
• 2.1.4 入侵检测技术的发展趋势
• 2.2 聚类分析
• 2.2.1 聚类分析方法基础
• 2.2.2 聚类过程和方法
• 2.2.3 模糊聚类
• 2.2.4 应用于入侵检测的聚类算法
• 2.3 本章小结
• 第三章 模糊聚类算法研究
• 3.1 模糊C 均值算法
• 3.1.1 FCM 算法聚类过程
• 3.1.2 FCM 算法存在的主要问题
• 3.2 基于离群点辨认的模糊C 均值算法研究
• 3.2.1 离群点分析
• 3.2.2 离群点的辨认
• 3.3 基于离群点辨认的模糊C 均值算法在入侵检测中的应用
• 3.4 基于改进遗传算法的模糊C 均值算法研究
• 3.4.1 遗传算法分析
• 3.4.2 遗传算法的改进
• 3.4.3 基于改进遗传算法的模糊C 均值算法设计
• 3.5 改进的模糊C 均值算法在入侵检测中的应用
• 3.6 本章小结
• 第四章 仿真实验与结果分析
• 4.1 基于模糊聚类的入侵检测实验模型
• 4.2 改进的聚类算法在入侵检测中的实验仿真
• 4.2.1 实验数据
• 4.2.2 数据处理
• 4.2.3 实验过程
• 4.2.4 实验结果及分析
• 4.3 本章小结
• 第五章 总结与展望
• 参考文献
• 致谢
• 附录A （攻读学位期间发表论文目录）
• 中英文长摘要