基于K-平均值方法的入侵检测系统

介绍了入侵检测系统,将数据挖掘中的K-平均值聚类方法应用于入侵检测系统,对仿真实验的结果进行了分析,证明了将K-平均值方法用于网络入侵检测的可行性。

K-means聚类算法在入侵检测中的应用

提出了一种基于聚类分析方法构建入侵检测库的模型,实现了按K-平均值方法建立入侵检测库并据此划分安全等级的思想。该检测系统的建立不依赖于经验数据,能自动依据原有数据对入侵行为进行重新划分。仿真实验表明,该方法具有较强的实用性和自适应功能。

并行数据挖掘算法综述

数据挖掘在工业和商业领域中发挥着越来越重要的作用。随着数据量的增加,挖掘算法处理海量数据的能力问题日益突出。研究并行算法,是解决这一问题的有效途径。该文对常用的数据挖掘算法C4.5,SLIQ,SPRINT,关联规则,K-平均值,K-最近邻,贝叶斯网络,人工神经网络,遗传算法及并行性进行了研究探讨,为数据挖掘研究者提供借鉴。

聚类算法在入侵检测中的应用

提出一种基于聚类分析的入侵检测模型,并运用聚类分析的K-平均值算法建立入侵检测库并划分安全级别。该检测系统不依赖预先定义的类和训练实例,能够自动依据输入数据对入侵行为进行重新划分。该方法具有一定的实用性和自适应功能。

基于仿真的电路故障模式识别研究

电路故障仿真技术是实现电子产品功能设计与可靠性测试性一体化设计的核心技术,也是当前国内外系统可靠性分析的热点。本文介绍了电路故障仿真原理和方法,在电路板级故障仿真数据处理基础上,建立了用K-平均值法和判别分析法相结合的故障模式分类方法,对电路板级的故障模式进行识别分类,分类的结果作为系统级故障仿真的输入,以获取对系统级电路的故障影响分析,从而为实现系统级电路自动FMEA提供支持。

聚类分析法在CRM中的应用研究

在分析CRM的功能以及客户定位的重要性基础上,提出了一种基于聚类算法的客户群定位方法,该方法可用于有关客户关系管理的决策支持系统中,能有效地实现对客户的划分和价值的评估。