-
题名基于改进K-means数据聚类算法的网络入侵检测
被引量：3
- 1
-
-
作者
黄俊萍
-
机构
闽南理工学院信息管理学院
-
出处
《成都工业学院学报》
2024年第2期58-62,97,共6页
-
文摘
随着入侵手段的不断更新和升级,传统入侵检测方法准确率下降、检测时间延长,无法满足网络防御要求。为此,提出一种经过改进K均值(K-means)数据聚类算法,以应对不断升级的网络入侵行为。先以防火墙日志为基础转换数值,然后基于粒子群算法求取最优初始聚类中心,实现K-means数据聚类算法的改进;最后以计算得出的特征值为输入项,实现对网络入侵行为的精准检测。结果表明:K-means算法改进后较改进前的戴维森堡丁指数更小,均低于0.6,达到了改进目的。改进K-means算法各样本的准确率均高于90%,相对更高,检测时间均低于10 s,相对更少,说明该方法能够以高效率完成更准确的网络入侵检测。
-
关键词
改进K-means数据聚类算法
防火墙日志
入侵检测特征
粒子群算法
网络入侵检测
-
Keywords
improved K-means data clustering algorithm
firewall logs
intrusion detection features
particle swarm optimization algorithm
network intrusion detection
-
分类号
TP145.22
[自动化与计算机技术—控制理论与控制工程]
-
