基于聚类与极限学习机的入侵检测方法研究

《基于聚类与极限学习机的入侵检测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于聚类与极限学习机的入侵检测方法研究Intrusiondetectionmethodbasedonclusteringalgorithmandextremelearningmachine学科专业：电子与通信工程研究生：王琳琳指导教师：刘敬浩副教授企业导师：任国强高级工程师天津大学电气自动化与信息工程学院二零一七年十一月摘要互联网使大众在社交通信、商务交易、网络金融、网络娱乐与公共服务等方面得到了极大的丰富和便利。同时互联网在政治、军事等方面也发挥着重要作用。然而，网络的设计缺陷和安全漏洞也带来了一系列的网络安全问题，这些安全问题危害了公众

2、的公共利益，破坏了社会的和谐秩序。入侵检测系统可以对网络入侵攻击进行主动防御。将数据挖掘技术应用到入侵检测领域，可以更好的发现网络流量数据集中的隐含规律，及时发现恶意入侵行为，提高入侵检测系统的检测效果。针对单一的检测算法很难对于不同种类的攻击都有很好检测效果的问题，本文提出一种结合了改进K均值算法与极限学习机算法的二层入侵检测方法。该方法采用设置距离阈值的方式，实现K均值算法自动选择初始聚类中心与聚类簇数目的双重优化；利用改进后的K均值算法对训练数据进行聚类，采用聚类生成的聚类中心代替原始的训练数据；利用新型线性修正单元（PReLU）激活

3、函数对极限学习机算法进行优化，利用改进后的极限学习机进行入侵分类检测；采用多层检测的思想，根据网络攻击与正常数据的相似程度对网络数据进行分层检测。采用KDDCUP99数据集以及NSL-KDD数据集对所提出的入侵检测方法进行仿真实验，实验结果表明，与传统的BP神经网络、支持向量机与极限学习机算法相比，本文所提方法有效地提高了检测效果，同时在一定程度上降低了误报率，证明了该入侵检测方法的有效性。关键词：入侵检测，聚类，K均值算法，极限学习机IABSTRACTInternetgreatlyenrichesandfacilitatesthegene

4、ralpublicinmanyaspects,suchassocialcommunications,businesstransactions,onlinebanking,onlineentertainmentandpublicservices.Atthesametime,Internetalsoplaysanimportantroleinpoliticalandmilitaryaffairs.However,thedesignflawsinthenetworkandsecurityloopholesleadtoaseriesofnetwor

5、ksecurityproblems,whichendangerthepublicinterestanddisrupttheharmonioussociety.Intrusiondetectionsystemcanpreventnetworkintrusionattacksinitiatively.Applyingthedataminingtechnologytothefieldsofintrusiondetection,thehiddenrulesofnetworktrafficdatacanbefoundbetter,andmalicio

6、usintrusioncanbedetectedintime,sodetectioneffectofintrusiondetectionsystemcanbeimproved.However,itishardforasinglealgorithmtoattainsatisfieddetectionresultfordifferentattackclasses.Tosolvethisproblem,thispaperproposesatwo-levelintrusiondetectionmethodbasedonmodifiedK-means

7、andextremelearningmachine(ELM).ThemodifiedK-meansalgorithmcanautomaticallyselecttheinitialcentroidsofclustersandthenumberofclustersaccordingtosettingthedistancethreshold.ThemodifiedK-meansalgorithmisusedtoclusterthetrainingdata,andtheclustercentersgeneratedbytheclusteringa

8、reusedtoreplacetheoriginaltrainingdata.ELMalgorithmisoptimizedbyparametricrectifiedlinear