王春霞，侯艳丽

（商丘师范学院 计算机与信息技术学院，河南 商丘 476000）

随着Internet的快速发展，越来越多的信息通过网络来传输和存储，网络安全显得越来越重要。目前常见的网络安全技术主要有加密、数字签名、身份认证、访问控制、防火墙技术和入侵检测技术等。

入侵检测作为模式识别的分支，其主要任务是通过监视系统或网络流量、系统审计记录等来发现与识别对系统和网络的入侵企图和入侵行为[1]。将数据挖掘技术应用于入侵检测以提高系统性能，已成为入侵检测技术研究和发展的重要趋势，当前的挖掘方法，通常建立在对整个数据集进行等同学习的基础上，而实际的检测数据是连续到达、快速更新的，基于数据集难以真实反映当前网络数据的行为特征，所以需要面向入侵检测的数据流进行数据挖掘。聚类作为无监督模式识别的一个组成部分，可作为一种数据压缩技术用于大型数据库，它不需要任何先验知识的特性，适合面向大量数据的入侵检测需求。因此，基于聚类的入侵检测得到广泛研究，文中基于模糊C均值聚类提出了一种的数据流入侵检测算法。

1 相关工作

近年来，利用聚类技术进行数据流入侵检测的研究有许多，如OH-S等人利用聚类技术建立用户的正常行为规则[2]，俞研等人利用K均值聚类算法进行数据流的异常入侵检测[3]，李建国等人利用高效的混合聚类算法进行数据流的异常检测[4]，周刚等人利用聚类技术和小波技术进行DDos的入侵流分析[5]，这些方法在一定程度上可以有效的检测数据流入侵，但它们都是将待处理数据严格划分到某个类中，而实际上的数据在性态和类属方面存在不确定性，更适合进行模糊聚类。……