0 引言

　　聚類分析是將海量的數(shù)據(jù)劃分為有意義或者有用的組（簇）。在同一簇中的數(shù)據(jù)相似度較高,，不同的簇中數(shù)據(jù)差別比較大,。聚類分析主要基于距離進(jìn)行分析，它是一種無監(jiān)視的學(xué)習(xí)訓(xùn)練方式。

　　K-means聚類算法是基于劃分的經(jīng)典算法,，但存在難以確定初始聚類中心值,、受噪聲及孤立點影響較大的缺點[1]?；诖?，很多學(xué)者研究提出了不同的改進(jìn)K-means聚類算法的方法。參考文獻(xiàn)[2]把相互距離最遠(yuǎn)的K個高密度區(qū)域的點作為初始聚類中心點,；參考文獻(xiàn)[3]利用密度指針初始化聚類中心,，從而從真實聚類中心中選取數(shù)據(jù)庫初始化聚類中心；參考文獻(xiàn)[4]利用密度和最近鄰的思想來尋找初始聚類中心,；參考文獻(xiàn)[5]基于最優(yōu)劃分初始聚類中心,，該算法首先對數(shù)據(jù)樣本進(jìn)行劃分，根據(jù)劃分樣本的分布特點確定初始聚類中心,；參考文獻(xiàn)[6]利用偽隨機(jī)數(shù)產(chǎn)生初始聚類中心,，但聚類數(shù)據(jù)龐大時，聚類效果不容樂觀,。參考文獻(xiàn)[7]通過對樣本數(shù)據(jù)進(jìn)行閾值分層快速確定K-means算法的聚類數(shù)搜索范圍及其上限,，利用新的聚類有效性指標(biāo)評價聚類后類內(nèi)與類間的相似性程度,，從而在聚類數(shù)搜索范圍內(nèi)獲得最佳聚類數(shù),。

1 聚類分析的相似性度量和準(zhǔn)則函數(shù)

　　1.1 相似性度量

　　聚類分析是依據(jù)對象兩兩之間的相似(或差異)程度來劃分類的，而這相似程度通常是用距離來衡量的[8],。最廣泛使用的距離計算公式是歐氏距離：

　　其中,，i=(xi1，xi2,，…,，xip)，j=(xj1,，xj2,，…，xjp),。

　　1.2 準(zhǔn)則函數(shù)

　　聚類結(jié)果的質(zhì)量可以由聚類準(zhǔn)則函數(shù)來判斷,，若準(zhǔn)則函數(shù)選的好，質(zhì)量就會高,；反之,，質(zhì)量達(dá)不到要求時，則須反復(fù)運行聚類過程[9],。一般的聚類準(zhǔn)則函數(shù)有以下3種：(1)誤差平方和準(zhǔn)則,；(2)加權(quán)平均平方距離和準(zhǔn)則；(3)加權(quán)類間距離和準(zhǔn)則,。

2 K-means聚類算法分析

　　2.1 K-means算法過程

　　K-means聚類的算法流程如下：

　　輸入：含有n個對象的數(shù)據(jù)集X={xi|xi∈Rd,，i=1,，2，…,，n},，聚類的個數(shù)k。

　　輸出：k個類W1,，W2,，…，Wk,。

　　(1)從數(shù)據(jù)集X中隨機(jī)選取k個初始聚類中心c1,，c2，…,，ck,。

　　(2)依據(jù)初始聚類中心c1，c2,，…,，ck對數(shù)據(jù)集進(jìn)行劃分，劃分根據(jù)以下原則：若dij(xi,，cj)<dim(xi,，cm)，其中dij(xi,，cj)是xi與cj的歐式距離,，m=1，2,，…,，k，j=1,，2,，…，k,，j≠m,，i=1，2,，…,，n，則將xi劃分到類cj,。

　　(3)依據(jù)公式,，ni為以聚類Ci為中心數(shù)據(jù)對象的個數(shù)，重新計算類的質(zhì)心。

　　(5)輸出聚類結(jié)果,。

　　K-means聚類算法的流程如圖1所示,。

　　2.2 K-means算法缺點

　　(1)K-means算法需要首先設(shè)定K值，而算法運算中K是一個敏感值,，不同的K值可能會造成不同的運算結(jié)果,。

　　(2)對于一些噪聲和孤立的數(shù)據(jù)較為敏感。

　　(3)簇的平均值只有被定義才能使用,，這不利于處理一些有特殊屬性的數(shù)據(jù),。

　　2.3 K-means算法的改進(jìn)

　　(1)改進(jìn)初始值K，盡量減少人工干預(yù)

　　利用類間相異度與類內(nèi)相異度來確定最終的K值,，具體分3步來實現(xiàn)：首先,，選取數(shù)據(jù)集合的中間點即所有數(shù)據(jù)集合的平均值，利用歐幾里得距離計算公式,，計算出距離中間點最遠(yuǎn)距離的對象N1,，再計算出與N1距離最遠(yuǎn)的對象N2，篩選出初始聚類中心,。其次計算剩余數(shù)據(jù)對象與數(shù)據(jù)中心集合間的距離,，取最小距離D，計算聚類中心之間的距離,，找出最小距離C,，如果D<C，則將對象放入到最小距離的聚合中,，否則將其納入初始聚合中心,，生成新的聚合中心,，后面的數(shù)據(jù)依次與聚合中心間最小距離與D對比,，循環(huán)所有數(shù)據(jù)，最終形成聚類中心集,。最后,，采用類間相異度與類內(nèi)相異度來確定最終的聚類個數(shù)K值。

　　類內(nèi)的相異程度DOC：

　　類間相異度DAC：

　　其中,，nc表示聚類的數(shù)目,，mi表示類Cj中心，xkj表示Cj中的第k個數(shù)據(jù)對象的第j個屬性值,，d(mi,，mj)表示Ci與Cj間的歐幾里得距離，表示類中第j個屬性值,。

　　改進(jìn)后的計算方法如下：

　　輸入：含有n個對象的數(shù)據(jù)集X={xi|xi∈Rd,，i=1，2，…,，n},。

　　輸出：k個類W1，W2,，…,，Wk。

　?、賹垲愔行倪M(jìn)行初始化,，獲得3個聚類中心。根據(jù)公式計算出第1個聚類中心m0,，再根據(jù)歐幾里得距離計算出與m0最遠(yuǎn)的數(shù)據(jù)對象作為第2個聚類中心m1,，最后計算出與m1距離最遠(yuǎn)的數(shù)據(jù)對象當(dāng)成第3個聚類中心m2。

　?、诟鶕?jù)歐幾里得公式計算數(shù)據(jù)集和聚類中心的距離,，歸類所有數(shù)據(jù)，重新計算聚類中心,。

　?、塾嬎闶Ｓ鄶?shù)據(jù)對象與聚類中心的最小距離D及聚類中心之間的最小距離C， 計算出此時的類內(nèi)相異度DOC_old 和此時的類間相異度DAC_old,。

　?、苋绻鸇>C，則把這個數(shù)據(jù)對象作為新的聚類中心,，并且計算新的類內(nèi)相異度DOC_new和新的類間相異度DAC_new,，運行步驟⑤；否則轉(zhuǎn)到步驟⑥,。

　?、萑绻鸇OC_new<DOC_old且DAC_new>DAC_old則產(chǎn)生新類，轉(zhuǎn)到步驟②重復(fù)步驟②～⑤,；否則恢復(fù)狀態(tài),，執(zhí)行步驟⑥。

　?、奕∠乱粋€類Wi,，如果沒有新的類，則轉(zhuǎn)到步驟⑦,；否則反復(fù)執(zhí)行步驟②～⑤,。

　　⑦輸出聚類結(jié)果,。

　　(2)對噪聲和孤立點處理能力的改進(jìn)

　　有時孤立點或噪聲具有入侵特征,，容易干擾 K-means算法的聚類結(jié)果,，這里改進(jìn)原始算法來消弱噪聲和孤立點的影響。對于數(shù)據(jù)集中的所有點i,，計算出每一點與剩余點的距離和Si,，同時計算出距離均和H，當(dāng)Si>H時,，則點i被當(dāng)做孤立點處理,。其中n為樣本數(shù)據(jù)，d為數(shù)據(jù)維數(shù),。計算如下：

　　算法描述如下：

　?、佥斎霐?shù)據(jù)集，利用上述公式計算每一Si和H,；

　?、趯τ诿恳稽ci，如果Si>H,，則將i作為孤立點,；

　　③刪除孤立點,，獲得新的數(shù)據(jù)集,。

3 改進(jìn)算法在入侵檢測系統(tǒng)中的應(yīng)用及仿真分析

　　針對于入侵檢測系統(tǒng)的缺陷,給出了基于改進(jìn)算法的入侵檢測模型流程，如圖2所示,。

　　系統(tǒng)檢測的對象是網(wǎng)絡(luò)日志中的數(shù)據(jù),。先做標(biāo)準(zhǔn)化處理，再進(jìn)行聚類分析,。通過篩選孤立點和改進(jìn)聚類中心從而提高聚類的準(zhǔn)確性,。接著進(jìn)入決策報警分析系統(tǒng)。根據(jù)聚類的結(jié)果甄別具有攻擊特征的記錄,，一旦發(fā)現(xiàn)潛在威脅馬上啟動報警系統(tǒng),，阻止相關(guān)攻擊的進(jìn)一步操作，并報告網(wǎng)絡(luò)管理者,，與此同時挖掘其他的潛在特征,，為以后判斷攻擊提供必要的依據(jù)。若沒有發(fā)現(xiàn)攻擊行為則繼續(xù)監(jiān)視網(wǎng)絡(luò)動態(tài),。對網(wǎng)絡(luò)日志文件進(jìn)行標(biāo)準(zhǔn)化的同時，也將其存入歷史數(shù)據(jù)庫中,。并進(jìn)行標(biāo)準(zhǔn)化處理和特征挖掘,，進(jìn)而數(shù)據(jù)匹配分類，構(gòu)建成分類器,。在分類器的反復(fù)訓(xùn)練下可從這些記錄中挖掘出正常和非正常行為,，并存入到規(guī)則庫中,，作為今后判斷入侵行為的決策機(jī)構(gòu)。

　　表1列出的是20條網(wǎng)絡(luò)連接記錄的特征數(shù)據(jù),。其中,，count表示目標(biāo)主機(jī)與當(dāng)前連接相同的次數(shù)；SY_error表示SYN錯誤連接所占的百分?jǐn)?shù),；same_srv表示目標(biāo)端口相同連接的百分?jǐn)?shù),；Dif_srv表示目標(biāo)端口不同連接的百分?jǐn)?shù)；Srv_count表示目標(biāo)主機(jī)與當(dāng)前連接相同的次數(shù),；Srv_serror表示SYN連接錯誤的百分?jǐn)?shù),；Rv_dif_host表示目標(biāo)端口不同連接的百分?jǐn)?shù)[10]。本文主要對三維數(shù)組（count,，Srv_serror,，Srv_count）進(jìn)行分析。三組特征數(shù)據(jù)的空間分布圖如圖3所示,。

　　這個三維數(shù)組基本顯示了數(shù)據(jù)是否具有攻擊特征,。通過分析這3個參數(shù)可以區(qū)分攻擊行為、異常行為和正常行為,。當(dāng)目標(biāo)端口與當(dāng)前連接相同的次數(shù)大于15次,，并且主機(jī)出現(xiàn)錯誤SYN連接的百分?jǐn)?shù)大于85％，目標(biāo)端口與當(dāng)前連接相同次數(shù)大于25次時認(rèn)為是攻擊行為,；若目標(biāo)端口與當(dāng)前連接相同的次數(shù)大于6次,，并且主機(jī)出現(xiàn)錯誤SYN連接的百分?jǐn)?shù)大于75％，目標(biāo)端口與當(dāng)前連接相同次數(shù)大于6次時認(rèn)為是異常行為,；其他則認(rèn)為是正常行為,。

　　采用傳統(tǒng)的 K-means 算法聚類分析3組數(shù)據(jù)后將20條數(shù)據(jù)信息分為3類：記錄3為攻擊行為(即圖4中圓形區(qū)域)；記錄4,，5,，6，12,，13,，19，20為異常行為(即圖4中橢圓區(qū)域),；其余的記錄為正常行為(即圖4中矩形區(qū)域),。根據(jù)上述3種行為的特征，可以將攻擊,、異常和正常行為區(qū)分開來,。傳統(tǒng)K-means 算法卻不能進(jìn)一步分析異常行為是否有攻擊特征。傳統(tǒng)K-means 算法對實驗數(shù)據(jù)聚類分析的空間結(jié)果如圖4所示,。

　　改進(jìn)算法會分離出記錄3（孤立點）,，并判斷其為攻擊行為,，如圖5中圓形區(qū)域。改進(jìn)的K-means 算法將剩余的19條記錄聚類為三部分,，記錄4,，5，6,，12,，13，19,，20為異常行為(如圖5中橢圓區(qū)域),，其中5，19接近于攻擊行為(如圖5中正方形區(qū)域),。其余的記錄為正常行為,。改進(jìn)算法有效地提高了檢測的準(zhǔn)確率。改進(jìn)的K-means 算法對實驗數(shù)據(jù)聚類分析的空間結(jié)果如圖5所示,。

4 總結(jié)

　　本文簡單介紹了K-means算法,，詳細(xì)闡述了對算法的改進(jìn)，針對聚類算法中心個數(shù)難以確定的問題,，本文改進(jìn)了傳統(tǒng)K-means聚類算法中心個數(shù)確定的方法,，提出了一種新的中心個數(shù)確定算法。同時對傳統(tǒng)K-means算法進(jìn)行進(jìn)一步的改進(jìn),，以減少數(shù)據(jù)中噪聲點和孤立點對聚類精度的影響,。并將傳統(tǒng)K-means算法和改進(jìn)的K-means算法應(yīng)用于入侵檢測系統(tǒng)中。實驗結(jié)果發(fā)現(xiàn),，基于改進(jìn)的K-means算法的入侵檢測系統(tǒng)具有更好的入侵檢測效果,，改進(jìn)算法不僅降低了關(guān)鍵參數(shù)的敏感性，提高了區(qū)分精度,，還在一定程度上提高了網(wǎng)絡(luò)入侵檢測的檢測率,，降低了誤檢率。

參考文獻(xiàn)

　　[1] 曹永春,，蔡正琦,，邵亞斌.基于K-means的改進(jìn)人工蜂群聚類算法[J]．計算機(jī)應(yīng)用，2014,，34(1)：204-207.

　　[2] 傅德勝,，周辰.基于密度的改進(jìn)K均值算法及實現(xiàn)[J].計算機(jī)應(yīng)用，2011,，31(2)：432-434．

　　[3] 牛琨,，張舒博，陳俊亮．融合網(wǎng)格密度的聚類中心初始化方案[J]．北京郵電大學(xué)學(xué)報,，2007,，30(2)：6-10．

　　[4] 張文明，吳江,，袁小蛟.基于密度和最近鄰的K-means文本聚類算法[J].計算機(jī)應(yīng)用,，2010，30(7)：1933-1935.

　　[5] 崔斌,，盧陽.基于不確定數(shù)據(jù)的查詢處理綜述[J]．計算機(jī)應(yīng)用,，2008，28(11)：2729-2731.

　　[6] KOLEN J F,，HNTCHESON T.Redneing the time complexityof the fuzzy c-means algorithm[J]．IEEE Transactions on Fuzzy Systems,，2002，10(2)：263-267.

　　[7] 王勇,，唐靖,，饒勤菲，等.高效率的K-means最佳聚類數(shù)確定算法[J]．計算機(jī)應(yīng)用,，2014,，34(5)：1331-1335.

　　[8] 呂明磊，劉東梅,，曾智勇.基于改進(jìn)的K-means算法的圖像檢索算法[J]．計算機(jī)應(yīng)用,，2013，33(S1)：195-198.

　　[9] 雷小鋒,，謝昆青,，林帆，等.一種基于K-means局部最優(yōu)性的高效聚類算法[J]．軟件學(xué)報,，2008,，19(7)：1683-1692.

　　[10] 高紅艷，劉飛.基于局部相似性的K-means譜聚類算法[J]．小型微型計算機(jī)系統(tǒng),，2014,，35(5)：1133-1134.