基于螞蟻聚類的入侵檢測方法研究.pdf

1、相對于傳統(tǒng)的安全保護措施而言，入侵檢測系統(tǒng)是一種積極主動的安全防護技術，在網(wǎng)絡系統(tǒng)受到危害之前發(fā)覺和響應入侵，有效的彌補了傳統(tǒng)網(wǎng)絡安全防護技術的缺陷，在信息安全保護體系中扮演重要角色，現(xiàn)已成為網(wǎng)絡信息安全的一個重要的研究領域和發(fā)展方向。但由于網(wǎng)絡流量數(shù)據(jù)十分龐大、更新快，導致攻擊行為一般很難被直接、及時發(fā)現(xiàn)，為入侵檢測增加了難度。數(shù)據(jù)挖掘技術的出現(xiàn)為解決這一問題提供了有效手段，尤其在從大量數(shù)據(jù)中提取特征與規(guī)則方面具有明顯優(yōu)勢，在入侵檢測

2、系統(tǒng)中采用數(shù)據(jù)挖掘聚類分析來實現(xiàn)其檢測的準確性與時效性成為可能。通過聚類分析與入侵檢測技術相結(jié)合來增強入侵檢測系統(tǒng)對海量數(shù)據(jù)的處理能力。在諸多聚類算法中，蟻群聚類算法是一種較新且較高效率的算法。具有自治性(聚類不再是根據(jù)所要求的對數(shù)據(jù)進行原始分割和分類門，而是通過蟻群搜索行為自然地形成)、靈活性等優(yōu)點，且不必預先指定簇的數(shù)目，在入侵檢測的應用中有著重要的研究價值。
　　基于上述的研究背景，論文完成的主要工作歸納如下：
　　1

3、.研究了蟻群聚類的基本模型和LF算法，并分析算法的優(yōu)缺點。
　　2.針對螞蟻聚類算法的參數(shù)設置較多，且依賴使用者的經(jīng)驗，人為因素影響較大，使得聚類算法缺少普適性，聚類的效果受到影響等不足，提出兩種螞蟻聚類改進方法。一種是基于BM模型的改進方法（LF），結(jié)合模擬退火算法思想，動態(tài)的調(diào)整適應參數(shù)，克服了相似度調(diào)整因子參數(shù)人為憑經(jīng)驗取值影響聚類質(zhì)量及效果的不足。一種是基于AM模型的改進方法，結(jié)合一種自適應的螞蟻聚類算法(adaptive

4、 ant clustering,簡稱AAC)，通過模擬退火算法思想動態(tài)的調(diào)整適應參數(shù)，改善聚類質(zhì)量和效果，從而提高入侵檢測應用對未知攻擊的有效檢測效率 DR(detection rate)，減少誤警率FR(false rate)。
　　3.探討了聚類算法在入侵檢測中的應用。傳統(tǒng)聚類的入侵檢測方法只適合于發(fā)現(xiàn)球狀類型的簇。在很多情況下，算法對噪音數(shù)據(jù)敏感等不足，還存在一些缺陷，即要求正常行為的數(shù)目遠遠大于入侵行為的數(shù)目，但在實際的入