基于免疫網(wǎng)絡(luò)理論的數(shù)據(jù)聚類及應(yīng)用研究.pdf

1、隨著計算機網(wǎng)絡(luò)的快速發(fā)展，已知和未知的網(wǎng)絡(luò)攻擊越來越多。如何從大量的原始網(wǎng)絡(luò)數(shù)據(jù)中有效地區(qū)分正常行為和異常行為，以及如何自動有效地生成入侵規(guī)則，已經(jīng)成為入侵檢測的一個研究重點。 基于免疫網(wǎng)絡(luò)理論的數(shù)據(jù)聚類技術(shù)，借鑒了生物免疫系統(tǒng)的免疫記憶、分布式并行處理、自組織、自學(xué)習(xí)等特性，能夠從大量無序的數(shù)據(jù)中提取隱含的、對決策有潛在價值的知識和規(guī)則，它對未知數(shù)據(jù)的劃分和分析非常有效并能達到合理的效果。將數(shù)據(jù)聚類技術(shù)用于網(wǎng)絡(luò)中原始數(shù)據(jù)的分析

2、，為構(gòu)建新一代智能入侵檢測系統(tǒng)提供了新的技術(shù)路線，已經(jīng)成為入侵檢測技術(shù)的重要方法和研究熱點。 但是，已有的免疫網(wǎng)絡(luò)聚類算法在學(xué)習(xí)訓(xùn)練階段存在時間復(fù)雜度高、網(wǎng)絡(luò)收斂速度慢、算法參數(shù)多、過分依賴網(wǎng)絡(luò)抑制來保持網(wǎng)絡(luò)的動態(tài)性和抗體種群的多樣性，系統(tǒng)難于適應(yīng)快速變化的大量網(wǎng)絡(luò)數(shù)據(jù)等缺點。此外，免疫網(wǎng)絡(luò)聚類算法訓(xùn)練得到的檢測器用于入侵檢測時，智能化程度較低，對異常行為的識別和未知攻擊模式的實時檢測能力不強，檢測的準確率較低，誤報率較高。

3、 本文深入分析了免疫網(wǎng)絡(luò)理論和數(shù)據(jù)聚類的基本原理，對免疫網(wǎng)絡(luò)聚類在入侵檢測中的應(yīng)用作了創(chuàng)新性和探索性研究。研究內(nèi)容為： 1．根據(jù)免疫網(wǎng)絡(luò)理論和自適應(yīng)半徑思想，設(shè)計了一種新的免疫網(wǎng)絡(luò)學(xué)習(xí)算法。新的學(xué)習(xí)算法解決了已有免疫網(wǎng)絡(luò)學(xué)習(xí)算法的以下問題：（1）新的學(xué)習(xí)算法充分保留了原始數(shù)據(jù)的密度信息，聚類結(jié)果能更準確地刻畫原始數(shù)據(jù)的空間分布形態(tài)，解決了信息失真的問題；（2）新算法采用單克隆機制，大大壓縮了網(wǎng)絡(luò)抑制的計算量，算法的時間復(fù)雜度

4、顯著降低，網(wǎng)絡(luò)收斂速度明顯加快；（3）除網(wǎng)絡(luò)抑制外，還引入了自適應(yīng)半徑來調(diào)節(jié)網(wǎng)絡(luò)的動態(tài)性，避免了單一的動態(tài)調(diào)節(jié)機制，使網(wǎng)絡(luò)的擴張更平滑，自組織過程也更穩(wěn)定；（4）只有“最小自適應(yīng)半徑γ”一個參數(shù)對學(xué)習(xí)算法的性能影響較大，學(xué)習(xí)算法的魯棒性大大增強。本文設(shè)計了一種基于統(tǒng)計和均勻劃分的參數(shù)估計方法，對最小自適應(yīng)半徑γ進行估計。 2．設(shè)計了一種基于最小生成樹算法和Zahn劃分標準的簇求解算法，用于求解學(xué)習(xí)算法訓(xùn)練得到的抗體網(wǎng)絡(luò)中的簇。整

5、個免疫網(wǎng)絡(luò)聚類算法由新的學(xué)習(xí)算法和簇的求解算法兩個步驟組成。 3．采用二維數(shù)據(jù)做實驗，通過與aiNet的對比，驗證新的免疫網(wǎng)絡(luò)聚類算法在學(xué)習(xí)階段充分保留了原始數(shù)據(jù)的密度信息，可以獲得更好的聚類效果。 4．為了將新的免疫網(wǎng)絡(luò)聚類算法用于入侵檢測，本文還設(shè)計了簇的標記算法，用于標記免疫網(wǎng)絡(luò)聚類算法產(chǎn)生的簇。這些帶標記的簇構(gòu)成檢測器集合，并用于本文設(shè)計的入侵檢測算法中，以對實際的網(wǎng)絡(luò)數(shù)據(jù)進行檢測。 本文用入侵檢測領(lǐng)域權(quán)