杨姣

（德州职业技术学院 山东省德州市 251500）

1 KNN算法分析及改进

1.1 KNN算法分析

k 近邻算法（k-Nearest Neighbor，KNN）的算法思路是如果某样本能够被划分在一个特征空间中，如果该特征空间中的k 个相邻样本属于某一特定类别，那么该样本也属于此类别[1]。而且KNN算法在进行决策时会确定当前样本的类别，推测当前样本的类别的方法是根据当前样本与K 个数据点之间的欧氏距离大小来进行判定的。

KNN 算法思路是比较容易实现的，首先，在每一个数据点上计算未知实例到已知实例的欧氏距离，然后选取适当的参数k，通常k 的值比较小，不超过20。最后，对测试的未知实例进行分类，分类的评定规则主要是根据多数表决的结果将未知实例分类到样本最多的类别。举例说明：在一个有三角和方框的测试样本中，当K=3 时距离未知数据最近的为三角所以判定为三角，当K=5 时距离最近的为方框所以被判定为方框。

KNN 算法能有效地进行二维空间的分类，在多维空间中分类精度也较高。KNN 算法的优点是实现起来比较简单，对异常数据流不是很敏感，可以对一些交叉样本进行正确分类[2]。但是由于KNN 算法是通过计算欧氏距离的大小来进行决策的，这也导致当样本数据量变大时算法的性能会受到影响。

网络数据流异常检测即在数据流发生异常时可以立即检测出来的一种实时监测技术。用户实时的检测网络的安全情况，一旦发生网络入侵或者是恶意攻击行为能够及时的采取相关的措施。……