基于MCQPSOSA优化的KFCM算法#br#
在入侵检测中的应用

计算机与现代化

基于MCQPSOSA优化的KFCM算法#br# 在入侵检测中的应用

辽宁对外经贸学院，辽宁大连116052

收稿日期:2014-11-25 出版日期:2015-02-28 发布日期:2015-03-06
作者简介:任昌荣（1972），男，山西寿阳人，辽宁对外经贸学院国际经贸学院副教授，硕士，研究方向：信息管理，计算科学。
基金资助:
中央高校基本科研基金资助项目(JUDCF13030)

An Optimized KFCM Algorithm in Intrusion Detection Based on MCQPSOSA

Liaoning University of International Business and Economics, Dalian 116052, China

Received:2014-11-25 Online:2015-02-28 Published:2015-03-06

摘要/Abstract

摘要： 同经典的FCM算法及其派生算法一样，KFCM算法对噪声及初始化中心敏感，容易陷入局部最优值。针对以上问题，本文提出一种改进的KFCM算法。通过引入多种群协同量子粒子群混合模拟退火算法(MCQPSOSA)来优化KFCM算法，提高KFCM算法的搜索效率和全局搜索能力，使得算法较快地收敛到最优解。将改进算法用于构建入侵检测系统并通过模拟仿真实验表明，改进算法具有更好的检测性能，解决了传统的聚类算法在入侵检测中稳定性差、检测准确率低的问题。

关键词: KFCM, 多种群量子粒子群, 模拟退火, 入侵检测

Abstract: Like the classic FCM clustering algorithm and its derived algorithm, KFCM clustering algorithm is sensitive to the initial center and noise data and easy to fall into local optimal value. To solve these problems, this paper proposes a modified fuzzy clustering algorithm based on multipopulations cooperative quantum particle swarm hybrid simulated annealing algorithm(MCQPSOSA). In the improved KFCM algorithm, MCQPSOSA algorithm is introduced to improve search efficiency and global search capabilities. The improved algorithm is used to build intrusion detection system. Our experimental results show the proposed algorithm has more efficient performance which solve poor stability and low detection accuracy of the traditional clustering algorithms in intrusion detection.

Key words: KFCM, multipopulations cooperative quantum particle swarm, simulated annealing, intrusion detection

中图分类号:

TP393.1

任昌荣. 基于MCQPSOSA优化的KFCM算法#br# 在入侵检测中的应用[J]. 计算机与现代化.

REN Changrong. An Optimized KFCM Algorithm in Intrusion Detection Based on MCQPSOSA[J]. Computer and Modernization.

参考文献

［1］
黄卫春,刘建林,熊李艳. 基于样本特征加权的可能性模糊核聚类算法［J］. 计算机工程与科学, 2014,36(1):170174.
［2］李雷,罗红旗,丁亚丽. 一种改进的模糊C均值聚类算法［J］. 计算机技术与发展, 2009,19(12):7173.
［3］Wu Kuolung, Yang Minsheng . Alternative Cmeans clustering algorithms［J］. Pattern Recognition, 2002,35(10):22672278.
［4］张维东,朱宏明,周闻钧. 聚类方法在图像识别中的应用［J］. 微型电脑应用, 2009,26(2):126133.
［5］Zhang Daoqiang， Chen Songcan， Zhou Zhihua． Learning the kernel parameters in kernel minimum distance classifier［J］． Pattern Recogn. Lett.， 2006，39(1):133135．
［6］陈出新,周德云. 基于模糊聚类的多目标跟踪算法［J］. 火力与指挥控制, 2010,27(2)：474480.
［7］靳璐,付梦印. 基于遗传模糊核聚类的图像分割［J］. 模式识别与人工智能, 2013,26(2):205209.
［8］蒋全胜,贾民平. 一种基于人工免疫的模糊核聚类算法［J］. 中国机械工程, 2008,19(5):594597.
［9］曲福恒,马驷良,胡雅婷. 一种基于核的模糊聚类算法［J］. 吉林大学学报, 2008,46(6):11371141.
［10］薛耿剑,王毅,赵海涛,等. 一种改进的模糊核聚类算法［J］. 中国医学影像技术, 2005,26(10):372379.
［11］高尚,杨静宇. 基于模拟退火算法思想的粒子群优化算法［J］. 计算机应用与软件， 2005,22(1):103105.
［12］Sun Jun, Xu Wenbo, Feng Bin. A global search strategy of quantumbehaved particle swarm optimization［C］// Proceedings of the IEEE Congress on Cybernetics and Intelligent System. 2004:111116.
［13］刘海永,郑永前,宋书强. 基于多量子粒子群协同进化算法的敏捷供应链伙伴选择［J］. 陕西科技大学学报(自然科学版), 2009,27(3):164164.
［14］Frans van den Bergh, Andries P Engelbrecht. A cooperative approach to particle swarm optimization［J］. IEEE Transactions on Evolutionary Computation, 2004,8(3):225239.
［15］郎茂祥. 装卸混合车辆路径问题的模拟退火算法研究［J］. 系统工程学报, 2005,20(5):4147.
［16］Eberhart R C, Shi Y. Particle swarm optimization: Developments, applications and resources［C］// Proceedings of the IEEE Congress on Evolutionary Computation. 2001:8186.

[1]	王诗愉, 肖利东, 严心淳, 应文豪. 基于模拟退火的扩展孤立森林异常检测算法[J]. 计算机与现代化, 2023, 0(01): 88-94.
[2]	冉昊杰, 王宏智. 基于改进模拟退火算法的生鲜农产品配送中心选址[J]. 计算机与现代化, 2022, 0(10): 36-40.
[3]	白雪, 程宗毛. 无线传感网络监测质量的统计分析[J]. 计算机与现代化, 2021, 0(08): 1-5.
[4]	刘军, 彭慧娴, 黄斌, 托尼·谢伊. 基于BP-GamysBoost的乳腺癌诊断模型[J]. 计算机与现代化, 2021, 0(04): 8-14.
[5]	肖晚霞1,2，董兴业1,2，林友芳1,2. 航班恢复问题的迭代局部搜索算法[J]. 计算机与现代化, 2019, 0(09): 1-.
[6]	易桂生，黄文华. Memetic算法在智能组卷问题中的应用[J]. 计算机与现代化, 2016, 0(11): 114-117,121.
[7]	谢小军１,卓文合1,胡鹏２. 改进的SAGA算法在变电站巡检作业调度中的应用[J]. 计算机与现代化, 2016, 0(11): 109-113.
[8]	吴剑1,2，冯国瑞1,2. 基于模拟退火和半监督聚类的入侵检测方法[J]. 计算机与现代化, 2014, 0(11): 27-30.
[9]	蒋美云. 遗传模拟退火算法在云调度中的应用研究[J]. 计算机与现代化, 2013, 1(6): 38-41.
[10]	蒋美云. 遗传模拟退火算法在云调度中的应用研究[J]. 计算机与现代化, 2013, 1(6): 38-41.
[11]	钱晓杨. 基于模拟退火的岭回归模型在体质测试中的应用[J]. 计算机与现代化, 2013, 1(3): 54-57.
[12]	刘瑞杰;秦放;翟悦;王立娟. 基于模拟退火算法的三峡船闸编排[J]. 计算机与现代化, 2013, 1(11): 65-67.
[13]	饶磊;汤小春;侯增江. 服务器集群负载均衡策略的研究[J]. 计算机与现代化, 2013, 1(1): 29-32.
[14]	吕琼帅;王世卿. 基于遗传模拟退火算法优化的BP神经网络[J]. 计算机与现代化, 2011, 1(6): 91-4.
[15]	褚国娟;马春丽;宁必锋. 基于差分及模拟退火的混合粒子群算法[J]. 计算机与现代化, 2010, 1(5): 19-20,2.