聚類算法和分類算法在入侵檢測中的應(yīng)用研究.pdf

1、隨著計算機科學(xué)和網(wǎng)絡(luò)技術(shù)的發(fā)展,人們對網(wǎng)絡(luò)的需求程度呈逐步上升趨勢,然而網(wǎng)絡(luò)安全問題一直是關(guān)注的焦點問題。目前較為成熟的安全防護(hù)措施主要包括:防火墻、數(shù)字加密等相關(guān)技術(shù),但這些技術(shù)作為靜態(tài)的防御保護(hù)措施不能滿足人們對網(wǎng)絡(luò)安全性能的要求。入侵檢測作為保護(hù)網(wǎng)絡(luò)安全的新興防護(hù)手段,是一種主動的安全防御技術(shù),成為網(wǎng)絡(luò)安全領(lǐng)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(chǎn)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(jié)合并應(yīng)用于入侵檢測系統(tǒng)。首先介紹了信息安全的相關(guān)問題,以及研究入侵檢測的必要性。本文總結(jié)和概括了入侵檢測相關(guān)內(nèi)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(shù)據(jù)挖掘知識,詳細(xì)介紹聚類分析技術(shù)中的K-means算法和聚類分析技術(shù)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(guān)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(shù)和分類分析技術(shù)相結(jié)合,生成入侵檢測規(guī)則并應(yīng)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(jìn)行正確的分類。模型主要是根據(jù)聚類分析能夠發(fā)現(xiàn)數(shù)據(jù)的相似性和相異性的特點,從而對數(shù)據(jù)進(jìn)行正確的分類。分類技術(shù)主要是針對網(wǎng)絡(luò)上的

4、數(shù)據(jù)特征對數(shù)據(jù)進(jìn)行分類。通過兩者的結(jié)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(jìn)算法和入侵檢測模型采用入侵檢測標(biāo)準(zhǔn)數(shù)據(jù)集 KDD CUP1999作為測試集驗證其工作性能。改進(jìn)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(wǎng)絡(luò)數(shù)據(jù)行為正確的分類。與單獨使用聚類分析技術(shù)或者分類分析