一种改进的+K-means+算法在异常检测中的应用.pdfVIP

第29卷 第5期 重庆理工大学学报（自然科学） 2015年5 月 Vol.29 No.5 JournalofChongqingUniversityofTechnology（NaturalScience） May2015  doi：10.3969/j.issn.1674-8425（z）.2015.05.012 一种改进的K-means算法在异常检测中的应用 陈 庄，罗告成 （重庆理工大学计算机科学与工程学院，重庆 4 54） 摘 要：为提高K-means聚类算法在异常检测中的效果，给出一种改进的K-means聚类算 法。基于最大距离选取初始聚类中心，并引入信息熵计算各个属性的权重，用改进后的加权欧 氏距离公式计算数据集中样本点间的距离。选取KDDCUP99数据集测试算法的性能。实验结 果表明，本算法有助于提高异常检测的检测率和降低误报率。 关 键 词：异常检测；数据挖掘；K-mean聚类算法；初始聚类中心；加权欧式距离 中图分类号：TP305 文献标识码：A 文章编号：1674-8425（2015）05- 66-05 ImProvedK-meansAlgorithmUsinginAnomalYDeteCtion CHENZhuang，LUOGao-cheng （CollegeofComputerScienceandEngineering， ChongqingUniversityofTechnology，Chongqing4 54，China） AbstraCt：InordertoincreasetheperformanceoftheK-meansalgorithminanomalydetection，an improvedK-meansalgorithmwasproposed. Thealgorithmselectedtheinitialclustercentersaccording tomaximumdistance，andtheinformationentropywasintroducedtocalculatetheweightofeveryat- tribute，andthentheimprovedweightedEuclideandistanceformulawasusedtocalculatethedistance betweensamplepointsindataset. TheperformanceoftheimprovedalgorithmwastestedbyKDD CUP99dataset. Theexperimentalresultsshowthatthisalgorithmwillbehelpfultoincreasethedetec- tionrateanddecreasethefalsealarmrateinanomalydetection. KeYwords：anomalydetection；datamining；K-means；initialclusteringcenters；weightedEucli- deandistance 入侵检测是一种保护计算机和网络的主动防 基于误用检测的入侵检测系统检测率低和误报率 御策略，异常检测则是入侵检测的重要组成部分。 高的问题。 将数据挖掘技术应用到异常检测领域，从海量数 异常检测方法构建正常行为模式时基于以下 据中提取网络正常行为模式，有助于解决传统的 两个前提［1］： 网络中正常数据的数量远大于入 ① 收稿日期：2015-03-06 基金项目：信息安全国家标准项目（