基于SVDD的密度峰值聚類算法及其接入網(wǎng)入侵檢測研究.pdf

1、隨著信息技術快速發(fā)展，網(wǎng)絡技術應用越來越普及，寬帶接入網(wǎng)進入了信息化高速發(fā)展階段。社交通訊、電子商務和電子郵件等網(wǎng)絡形式的應用豐富便利了人類生活的同時，接入網(wǎng)絡信息安全也逐漸成為當今社會最突出的問題之一。
　　入侵檢測方法由于其獨特優(yōu)勢，已經(jīng)成為信息安全中不可缺失的技術手段。然而，接入網(wǎng)絡匯集點數(shù)據(jù)量大、業(yè)務類型多且內容復雜，傳統(tǒng)入侵檢測系統(tǒng)大多基于規(guī)則或事件檢測方式，不僅精度低或速度慢，對規(guī)則或事件的依賴性強，已經(jīng)無法滿足現(xiàn)有接

2、入網(wǎng)絡安全的需求。近年，智能機器學習技術及其應用逐漸完善，尤其是支持向量數(shù)據(jù)描述(SVDD)，在處理大數(shù)據(jù)量、高維度、非線性的單分類問題上取得較好效果。然而，SVDD算法的研究時間短，理論研究還處于起步階段，且接入網(wǎng)入侵檢測的目標樣本特征分布不均衡，基于SVDD入侵檢測接入網(wǎng)存在預測準確度明顯偏向多類的不足。
　　針對上述問題，本文提出了一種基于SVDD的密度峰值聚類算法(DDPC-SVDD)，該算法基本思想是通過SVDD結合改進

3、密度峰值聚類算法(DDPC)，將松散的數(shù)據(jù)集用若干個緊湊的子簇分界面來進行數(shù)據(jù)描述。雖然傳統(tǒng)的密度峰值聚類算法可劃分出若干凸型類簇，但是經(jīng)驗選取截斷距離(dc)值可能導致聚類效果不穩(wěn)定。因此，本文引入適應于帶噪點數(shù)據(jù)集的聚類衡量指標—調整的輪廓系數(shù)(ASIL)。通過選取不同dc值計算ASIL以衡量聚類指標，實現(xiàn)最優(yōu)dc值下最佳聚類效果。聚類后的各子簇再經(jīng)過SVDD生成相應的分類器，本文采用自適應變異粒子群算法(PSO)解決SVDD參數(shù)尋