面向數(shù)據(jù)流的優(yōu)化聚類算法研究.pdf

1、近年來，國內(nèi)外學者對數(shù)據(jù)流上的聚類分析問題進行了大量的研究工作，但仍存在不少問題尚待研究和解決。大多數(shù)基于網(wǎng)格的聚類算法，對網(wǎng)格單元缺乏有效的存儲結構；現(xiàn)有算法對簇邊緣的數(shù)據(jù)點不能準確聚類，也不能有效處理噪聲點；序列數(shù)據(jù)普遍存在于數(shù)據(jù)流中，現(xiàn)有算法不能很好度量序列間的相似性，以致聚類質量較低。這些問題的研究對現(xiàn)有數(shù)據(jù)流系統(tǒng)的聚類分析功能的優(yōu)化以及在具體領域的應用具有重要意義。
　　首先，設計了一種基于網(wǎng)格劃分的索引樹結構 Pks-

2、tree。該索引樹結構僅存儲非空網(wǎng)格單元，并保持網(wǎng)格單元之間的位置關系，以提高聚類時的存儲和檢索效率。在Pks-tree的基礎上設計基于網(wǎng)格密度的數(shù)據(jù)流聚類算法，通過遍歷Pks-tree，并標記不同的網(wǎng)格單元來獲得聚類結果。
　　其次，提出了一種基于網(wǎng)格密度和關聯(lián)度的數(shù)據(jù)流聚類算法。使用基于關聯(lián)度的技術處理簇邊緣的網(wǎng)格單元；定義一種基于時間的密度閾值函數(shù)，以實時地刪除噪聲點。算法基于網(wǎng)格密度對數(shù)據(jù)流初始聚類后，隨著新數(shù)據(jù)的到來，使

3、用基于密度閾值函數(shù)的噪聲點處理策略，周期性檢測和刪除噪聲點，并基于網(wǎng)格密度和關聯(lián)度動態(tài)地調整已生成的簇。
　　最后，提出了一種基于聚類技術的軟件漏洞檢測方法。設計一種新的序列間相似性度量機制來指導聚類過程，通過對已有軟件漏洞序列集進行聚類分析，挖掘潛在的漏洞模式，構造模式庫；采用一種基于相似性度量的檢測機制來分析疑似漏洞序列，以降低檢測的誤報率和漏報率。通過計算疑似漏洞序列與模式庫中漏洞模式的相似度，對待測軟件進行漏洞分析。