一種改進的K-means算法在網絡入侵檢測中的應用研究.pdf

1、隨著計算機和網絡技術的進步與發(fā)展，網絡數據量呈現指數型增長，想要直觀的發(fā)現真正有價值的數據并不容易，很多對我們有用的數據往往都隱藏在龐大的數據量中，數據挖掘技術隨著大數據時代的到來應運而生。數據挖掘技術是人們?yōu)榱税l(fā)掘數據的潛在價值和有用信息而出現的一門新興技術學科，其核心作用是充分利用數據價值，為人們的決策分析提供科學合理的依據。聚類分析是數據挖掘中的重要分支，其原理是根據數據的相似性將數據分配到有差異的類中。聚類分析的應用廣泛，為機器

2、學習、人工智能、醫(yī)學、網絡安全等領域提供了重要的技術支持。基于劃分的聚類是聚類算法中較為常見的算法，由于其簡單高效的特點得到了各領域廣泛應用。其中，較為常見的是K-means聚類算法，其實現原理簡單，而且算法效率較高。但是由于K-means算法易受限于初始聚類中心，其應用也受到了很多限制。本文給出了優(yōu)化K-means初始聚類中心的方法，并應用此改進算法構建網絡入侵檢測模型。其關鍵之處為:
　　(1) K-means算法的較優(yōu)初始聚

3、類中心應該選取數據集中距離較遠的數據對象或者靠近類中心的數據對象?；诿芏鹊乃枷?，將數據集中數據分布較為密集的對象篩選出來作為高密度對象，從高密度對象中取出距離相差盡可能大的k個對象并以這些對象為依據劃分初始類。然后使用粒子群算法在每個類中迭代尋優(yōu)，直到最大迭代次數輸出k個全局最優(yōu)點作為K-means的初始聚類中心。在多個數據集上對此優(yōu)化算法的有效性進行驗證，結果表明此優(yōu)化方法的聚類效果較原始K-means算法更優(yōu)。
　　(2)根