改进的K-means算法在入侵检测中的应用

传统K-means聚类算法存在初始聚类中心选取敏感且需要预先设定聚类数等不足,导致入侵检测效率较低。为了提高入侵检测的准确性,提出一种改进的K-means算法。采用分离预处理记录属性的方法,在随机抽取的数据子集中基于密度距离生成初始聚类中心;利用类内最大相似度距离和类间最小相似度距离动态生成新类而无须事先确定K值。通过KDDCUP99数据集仿真实验表明,与传统的K-means聚类算法相比,改进的K-means算法有效提高了入侵检测的检测率,降低了误检率,缩短了检测时间。