粒子群优化的半监督入侵检测算法

贾志伟, 关忠仁, 赵建芳

(1.成都信息工程学院计算机学院,四川成都610225;2.成都信息工程学院信息中心,四川成都610225;3.江南大学物联网工程学院,江苏无锡214000)

0 引言

聚类分析根据在数据中发现的描述对象及其关系的信息,将数据对象分组。传统的聚类算法通常采用无监督的学习方式,近年,随着研究的深入,人们不断认识到先验信息的重要性。如何有效利用先验信息改善无监督聚类算法的性能,成为机器领域的一个研究热点,所提出的算法称为半监督聚类。现有的半监督聚类算法大致可分为3类:(1)基于约束的方法(Constraint-based Semi-supervised Clustering Method,CBSSC)[1-2],CBSSC利用成对约束先验信息来指导最优聚类的搜索过程;(2)基于距离的方法(Distance Based Semi-supervised Clustering Method,DBSSC)[3-4],DBSSC首先利用先验信息训练相似性距离测度,使之尽量满足所给的先验信息,再使用基于距离的方法聚类;(3)同时集成约束和距离的方法(Constraint and Based Semi-supervised Method,CDBSSC)[5]。

入侵检测[6]是一种主动的网络安全技术,是继传统安全保护措施后一种新的安全技术。其目的是对保护的系统进行安全审计、监控、识别攻击以及及时采取措施。目前入侵检测技术大多是基于监督学习和无监督学习的。基于无监督学习的入侵检测算法根据数据间的相似性进行分组,其检测精度较低,不需要有标识数据;基于有监督学习的入侵检测算法的检测率高,但要求的有标识数据可能不能完全反应数据集的分布情况,因此不能有效的检测出未知数据。现实中,获得少量的标记信息是可能的,如何利用这些少量的标记信息指导半监督学习成为关注的热点。……