

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、異常檢測(cè)是入侵檢測(cè)的一種檢測(cè)模型,是一種積極主動(dòng)的安全防護(hù)技術(shù)。它作為對(duì)傳統(tǒng)安全保護(hù)措施的補(bǔ)充,有效的彌補(bǔ)了傳統(tǒng)安全保護(hù)措施的缺陷,其重要性越來(lái)越得到人們的肯定。但由于網(wǎng)絡(luò)流量數(shù)據(jù)十分龐大,很難及時(shí)發(fā)現(xiàn)入侵行為,異常檢測(cè)性能面臨巨大挑戰(zhàn)。而數(shù)據(jù)挖掘技術(shù)能從大量數(shù)據(jù)中挖掘潛在有用的信息,能很好的解決這一問(wèn)題。經(jīng)典聚類(lèi)算法K-means原理簡(jiǎn)單且容易實(shí)現(xiàn),在異常檢測(cè)的應(yīng)用中具有重要的研究?jī)r(jià)值。
本文以提高檢測(cè)率和降低誤報(bào)率為目的。
2、對(duì)經(jīng)典聚類(lèi)算法K-means無(wú)法確定聚類(lèi)個(gè)數(shù)K值和隨機(jī)選取初始聚類(lèi)中心的不足進(jìn)行改進(jìn)。提出一種基于信息熵和改進(jìn)K-means聚類(lèi)的異常檢測(cè)方法。在本文研究中,用信息熵表示特征屬性的變化情況,改進(jìn)K-means算法做異常檢測(cè)分析,采集連續(xù)三天的網(wǎng)絡(luò)數(shù)據(jù),并模擬攻擊行為對(duì)改進(jìn)方法的性能進(jìn)行驗(yàn)證。總結(jié)主要研究重點(diǎn)為:
(1)研究網(wǎng)絡(luò)安全現(xiàn)狀和傳統(tǒng)安全保護(hù)措施。從理論上對(duì)比分析部分常用異常檢測(cè)方法,把信息熵和數(shù)據(jù)挖掘聚類(lèi)算法結(jié)合應(yīng)用到
3、異常檢測(cè)研究中。分析網(wǎng)絡(luò)入侵行為的一般規(guī)律,把源IP地址、目的IP地址、源端口、目的端口、連接時(shí)間作為異常檢測(cè)特征屬性。以一秒為時(shí)間段,計(jì)算網(wǎng)絡(luò)流量在特征屬性上的信息熵。
(2) K-means聚類(lèi)算法的聚類(lèi)結(jié)果易受聚類(lèi)個(gè)數(shù)K值的影響,而聚類(lèi)個(gè)數(shù)K值一般根據(jù)經(jīng)驗(yàn)設(shè)定。提出在聚類(lèi)過(guò)程中設(shè)置分類(lèi)閡值,根據(jù)聚類(lèi)結(jié)果動(dòng)態(tài)調(diào)整聚類(lèi)個(gè)數(shù)K的值,克服聚類(lèi)個(gè)數(shù)K值憑經(jīng)驗(yàn)設(shè)定而影響聚類(lèi)效果的不足。針對(duì)K-means聚類(lèi)算法隨機(jī)選取初始聚類(lèi)中心易
4、導(dǎo)致聚類(lèi)結(jié)果陷入局部最優(yōu)的不足,在選取初始聚類(lèi)中心時(shí),把相距最遠(yuǎn)的數(shù)據(jù)對(duì)象作為聚類(lèi)中心,使初始簇之間的相似性盡可能最大,改善聚類(lèi)效果和質(zhì)量,從而提高異常檢測(cè)的檢測(cè)性能。
(3)利用改進(jìn)K-means聚類(lèi)算法構(gòu)建異常檢測(cè)系統(tǒng)。并用訓(xùn)練數(shù)據(jù)集和模擬DDOS攻擊、網(wǎng)絡(luò)掃描數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),檢驗(yàn)異常檢測(cè)系統(tǒng)的效果。實(shí)驗(yàn)結(jié)果顯示,本文異常檢測(cè)方法的平均檢測(cè)率和平均誤報(bào)率分別為98.1667%和2.0000%。與原始K-means聚類(lèi)算法進(jìn)
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于信息熵聚類(lèi)的DDOS異常檢測(cè)技術(shù)研究.pdf
- 基于信息熵的聚類(lèi)個(gè)數(shù)確定方法研究.pdf
- 基于信息熵的流量異常檢測(cè).pdf
- 基于多維聚類(lèi)挖掘的異常檢測(cè)方法研究.pdf
- 基于信息熵的異常流量分布式檢測(cè)方法的研究.pdf
- 時(shí)間序列異常檢測(cè)的聚類(lèi)方法研究.pdf
- 基于聚類(lèi)的異常檢測(cè)技術(shù)的研究.pdf
- 基于密度的聚類(lèi)和異常檢測(cè).pdf
- 基于聚類(lèi)的異常入侵檢測(cè)技術(shù)
- 基于網(wǎng)格和信息熵的聚類(lèi)算法.pdf
- 基于相對(duì)熵理論的網(wǎng)絡(luò)異常檢測(cè)方法.pdf
- 基于聚類(lèi)的異常入侵檢測(cè)技術(shù).pdf
- 基于免疫聚類(lèi)的異常檢測(cè)算法研究.pdf
- 基于圖熵的醫(yī)學(xué)圖像聚類(lèi)方法研究.pdf
- 譜方法和信息熵在聚類(lèi)中的應(yīng)用.pdf
- 基于信息熵與改進(jìn)SVM的異常流量檢測(cè)研究.pdf
- 基于相似度聚類(lèi)的Android異常檢測(cè).pdf
- 基于聚類(lèi)方法的入侵檢測(cè)研究.pdf
- 基于無(wú)監(jiān)督異常檢測(cè)的并行聚類(lèi)算法研究.pdf
- 基于語(yǔ)言信息的聚類(lèi)方法研究.pdf
評(píng)論
0/150
提交評(píng)論