一种改进的快速聚类算法GLDBSCAN

本文在基于局部密度的空间聚类算法LDBSCAN的基础上提出了一种基于网格和SP-Tree的快速聚类算法GLDBSCAN。改进算法设计了一种新的对数据空间进行划分的网格划分方法,并采用空间索引SP-Tree来组织网格结构。算法同时提出用网格中心对象来代表网格包含的对象集合进行聚类,从而降低聚类时间和I/O消耗,实现快速聚类。实验结果表明,GLDBSCAN算法在不降低LDBSCAN聚类质量的前提下,大大提高了聚类的效率,并且能有效地对大规模数据集进行聚类。

基于聚类合并的局部离群点挖掘算法在入侵检测中的应用

针对网络安全数据的高维度特征问题,传统的基于聚类的检测算法不能有效发现网络数据中入侵行为细节。本文提出一种改进的DBSCAN离群点挖掘算法LDBSCAN-CM,首先在传统DBSCAN算法中引入局部离群点挖掘概念,计算候选对象的局部离群因子,生成若干个聚类;其次,为了提高挖掘效率,在聚类结果的基础上,进行聚类合并;最后,采用KDD Cup99数据集对改进算法在入侵检测中的应用进行仿真实验。实验结果表明,改进算法LDBSCAN-CM能保证较高的检测率和较低的误检率。

基于簇的孤立点检测

提出一个新的概念——基于簇的孤立点概念,这个概念的提出有助于理解局部数据的行为,同时也描述了如何利用LDBSCAN算法发现基于簇的孤立点,并为每一个对象计算局部偏离因子.