孟江涛 ,高岳林*,王 乐

(1.北方民族大学 计算机科学与工程学院, 宁夏 银川 750021； 2.北方民族大学 宁夏智能信息与大数据处理重点实验室, 宁夏 银川 750021)

随着互联网用户增加,数据泄露、服务器恶意攻击等威胁互联网安全的事件经常发生。入侵检测系统(IDS)作为一种防御技术,可以阻止非法入侵并且进行报警,具有较高实时性[1]。入侵检测方法分为异常检测和误用检测,其原理是通过将网络流量与检测模型进行行为匹配来判断是否有攻击发生。该检测方法具有很大的局限性,比如面对新型攻击,检测模型无法进行匹配,造成误判的后果。且该方法数据处理能力较低,在面对大流量攻击时,可能会造成入侵检测系统的瘫痪。数据挖掘是一种获取有用数据的技术,已应用到各个领域,在入侵检测中使用数据挖掘技术可以提高流量数据的处理能力,进而提升检测的效率[2]。

数据挖掘算法中,最常见是K-means聚类算法,该算法具有较快的收敛速度,能够有效地处理大型数据。文献[3]使用改进的K-means算法对大量数据进行聚类,算法对大型数据集具有良好的适应性。在初始中心点的选取上,K-means++算法改进了选择策略,能够在一定程度上消除初始中心点对算法的消极影响,但无法避免选择的随机性[4]。传统K-means算法对噪声特征具有较高的敏感性,文献[5]提出了FSK-means算法,该算法使用闵可夫斯基规度作为距离函数来进行目标点的分类,改进算法在抑制噪声特征方面具较高的优势,但是在处理数据分类特征与权重参数取值仍存在一定的缺陷。……