论文部分内容阅读
随着科技进步和计算机网络技术的飞速发展,信息产业及其应用得到了巨大发展。对网络需求的不断增强,网络用户面临着日益严重的安全问题,必须要求一个可信、可靠、安全、稳定的网络平台。网络入侵己经成为计算机安全和网络安全的最大威胁。入侵检测系统是当前网络安全领域的研究热点,在保障网络安全方面起着重要的作用。对于入侵检测作为主动防御的手段,目前的研究主要集中在异常检测方面,它能发现未知入侵。但是缺陷是正常模式的知识库难以建立,难以明确的划分正常和异常模式。鉴于这些难点,采用数据挖掘技术是一个很有效的解决方法。但是数据挖掘技术对于训练数据的要求过高,噪声的影响对于训练结果有所偏差。还有尖锐边界问题。将模糊理论和数据挖掘相结合,可以解决以上问题。本论文对基于模糊C均值聚类算法进行了改进,对隶属度进行修正降低孤立点的影响,利用模糊截集加快收敛,同时对聚类有效性分析来达到全局最优。把基于模糊C均值聚类算法的结果作为模糊关联规则挖掘的数据隶属度,而不需要先验知识确定隶属函数,提高了模糊入侵检测的有效性和自适应性。本论文还提出了一种使用哈希链表改进Apriori模糊关联规则挖掘的新算法,且在挖掘过程中使用了等价类快速查找频繁项集,避免了反复扫描数据库及大量重复计算步骤。从而大大地改善了模糊入侵检测的检测速度和效率。