聚類算法和分類算法在入侵檢測中的應用研究.pdf

1、隨著計算機科學和網絡技術的發(fā)展,人們對網絡的需求程度呈逐步上升趨勢,然而網絡安全問題一直是關注的焦點問題。目前較為成熟的安全防護措施主要包括:防火墻、數字加密等相關技術,但這些技術作為靜態(tài)的防御保護措施不能滿足人們對網絡安全性能的要求。入侵檢測作為保護網絡安全的新興防護手段,是一種主動的安全防御技術,成為網絡安全領域研究的重要部分。為了及時有效的發(fā)現(xiàn)各種入侵行為,入侵檢測產品正向分布式、智能化的方向發(fā)展。
　　由于入侵檢測系統(tǒng)中的

2、檢測方法的諸多問題,本文提出將聚類分析和分類分析相結合并應用于入侵檢測系統(tǒng)。首先介紹了信息安全的相關問題,以及研究入侵檢測的必要性。本文總結和概括了入侵檢測相關內容,以及入侵檢測系統(tǒng)面臨的問題和未來的發(fā)展方向。其次,本文概述了聚類分析和分類分析的數據挖掘知識,詳細介紹聚類分析技術中的K-means算法和聚類分析技術中的決策樹算法,其中決策樹算法主要討論了ID3算法和C4.5算法。針對 K-means算法的缺陷,本文給出了相關的解決方法,

3、主要解決 K值的確定問題、初始聚類中心的選擇問題以及對孤立點和噪聲點敏感的問題。在決策樹算法中,提出的類似模糊處理的方法,在噪聲點處理問題上有較好的效果。本文提出的入侵檢測模型:通過聚類分析技術和分類分析技術相結合,生成入侵檢測規(guī)則并應用于入侵檢測系統(tǒng),在對未知的入侵行為的檢測方面能夠表現(xiàn)出良好的檢測率,并能對其進行正確的分類。模型主要是根據聚類分析能夠發(fā)現(xiàn)數據的相似性和相異性的特點,從而對數據進行正確的分類。分類技術主要是針對網絡上的

4、數據特征對數據進行分類。通過兩者的結合,提高了入侵檢測系統(tǒng)的檢測率并且降低了誤檢率,同時在發(fā)現(xiàn)新入侵行為方面表現(xiàn)出很好的效果。
　　本文提出的改進算法和入侵檢測模型采用入侵檢測標準數據集 KDD CUP1999作為測試集驗證其工作性能。改進的K-means算法能夠自動增長 K值,并找出新的聚類中心。決策樹算法在使用 K-means算法給出的聚類中心時,能夠在入侵檢測過程中對網絡數據行為正確的分類。與單獨使用聚類分析技術或者分類分析