改进的SOM和K-Means结合的入侵检测方法

全的第 二道 防线 。
间 ，正 常 数 据 中混 杂 了多种 入 侵 模 式 ， 因此 ，这 就 可 能 会 出现 聚 类 混乱 的 的现 象 ，反 而 使 结合 后 的 算 法 在检 测 效 率 上 不仅 没 有 提 高 ，反 而 比传 统
的Ｓ ＯＭ 有 所降 低 。本 文 在对 大量 入侵 算法 研究 的基 础上 ，提 出了 Ｋ— ａ ｓ Ｍｅ ｎ 算法 与 Ｓ Ｍ 神 经网络 Ｏ
Ｄ ｉ １ ． ９ ９ Ｊ ｉｓ ． ０ ９ ０ ３ ． ０ ０ １ （ ） ０ ｏ： ３ ６／ ． ｎ １ ０ － １ ４ ２ １ ．２下 ．２ ０ ｓ
０ 引言
入 侵检 测技术是对 计算机 和 网络 资源上 的恶意 使用行 为进行 识别 和响应 ，不仅检 测来 自外 部的入 侵行为 ，同时 也监督 内部 用户 的未授权 活动 …，随 着计算机 网络技 术 的发 展而 日趋成熟 ，成为 网络安
算法 具 有 速 度 快 、算 法 简 单 以及 能 够 有 效处 理 大 型数据 库 的优 点 ，将 其 与 Ｓ ＯＭ 网络 相结合 可 以提
高Ｓ ＯＭ 网 络 聚类 的 准 确性 ，也 能将 Ｓ Ｍ 输 出层 Ｏ 节 点数 减 少 ，进 而 形 成 一 种 二 次 聚类 的方 法 ， 以 应 对 网 络 入 侵 检 测这 种 大 规 模 数 据 检 测 的 要 求 。
Ｙ ＮＧ Ｚ ａ — ｎ 。Ｆ － ｎ． Ａ ｄｎ Ａ ｈ ｏｆ ｇ ． ＡＮＡｉ ｅ ｗａ Ｆ ＮＡｉｉｇ
（． １ 平顶 山学院 软件学院，平顶山 ４ ７ ０ ；２ 平顶山学院 计 算机科学与技术学院 ，平顶 山 ４ ７ ０ ； ６０２ ． ６ ０ ２ ３ 平顶 山学院 网络计算中心 ，平顶 山 ４ ７ ０ ） ． ６ ０ ２
同一 时 刻 往 往 不是 单 一 的 种 类 ，有 可 能在 同一 时
上 以 神 经 网络 的 形 式模 拟 了大 脑 皮层 中神 经 元呈
二 维 空 间 点阵 的 结 构 ，模 拟 了 大脑 信 息 处理 的聚
类 功能 、 自组 织和 学 习功 能 。Ｓ ＯＭ 算法 被 广泛 应
高 入 侵 检 测 系统 得 检 测率 ，并 在一 定 程 度上 降 低 了误 探率 。
１ 相关概念简介
１１ ＯＭ算 法 ． Ｓ Ｓ ＯＭ 算法 是 一种 基 于神 经 网络 模 型 的聚 类分
析 方 法 ，它 模 拟大 脑 神 经 系统 自组 织 特 征映 射 的
功 能 ，对 输 入 的模 式 根 据 其 学 习规 则 进 行 自动 分
在 入侵 检 测 中 ，网络 流 量 的 大 小 直接 影 响着
检测算 法 效率 ，在 Ｓ Ｍ 网络 中输 出层权值 矩 阵 的 Ｏ 规模 也 会 影 响 到 算法 的 复杂 程 度 ，但 如 果矩 阵过
于 简单 ，可 能 会 造 成 聚 类 信 息 的不 精 确 性 。所 以在 应 对 网络 海量 数 据 的检 测 时 ，既 要保 证 结 果 的精确 性 ，又要减 小算 法的 复杂程度 。而 Ｋ Ｍｅｎ — ａｓ
低 了误报率。
关键词 ： 人侵检测 ；数据挖掘 ；聚类 ； — ａ ｓ Ｋ Ｍｅ ｎ 算法 ；Ｓ Ｍ神经网络 Ｏ
中图分类号 ：Ｔ ３ ３ Ｐ ９ 文献标识码 ：Ｂ 文章编号 ：１ ０－０ ３ （０ ） ２下 ） ０ ０
目前 在 Ｋ． ａ ｓ Ｓ Ｍ 的 结 合 上 ，存 在 两 种 方 Ｍｅ ｎ 与 Ｏ 式 ，在 一 定 程 度 上都 能 提 高 算法 的效 率 。 第一 种是在 样 本 被 Ｓ Ｍ 聚类 结束 后 ，再使 用 Ｋ Ｍｅｎ Ｏ — ａｓ 算法 对 已 经 聚 类好 的样 本 进 行 重 新 聚类 。 第二 种 结合方式是 在 Ｓ ＯＭ 的训 练 时 期 用 Ｋ— ａ ｓ 法 Ｍｅ ｎ 算 将Ｓ ＯＭ 训 练 后 的 网络 神 经 元权 值 进 行 二次 聚 类 ， 以达 到 对 聚 类 信 息 的 求精 ，但 在现 实 中 ，入 侵 在
摘
要 ：检 测算法是 入侵检测的 一个重要组成 部分 。传 统的Ｋ Ｍ ａ ｓ — ｅ ｎ 算法 的聚类结果对 随机初始值 的依赖很 强。而传统的Ｓ Ｍ Ｏ 神经 网络不 能提供分 类后精 确的聚类信息。为克服两种算法的缺 陷 ，本文将 两种算法结合并进行 改进 ，Ｓ ＯＭ先进行 一次初聚类 ，将 其作为Ｋ —Ｍｅ ｎ 初始聚 ａｓ 类 ，然后用Ｋ Ｍｅ ｎ 来对Ｓ Ｍ的聚类进行精化 ，实验结果分析表明本文算法既克服 了两者的 － ａｓ Ｏ 缺点 ，又使 两种算法的优点得到完美的结合 ，在一定程度上提 高入侵检测 系统 的检测率 ，降
类 ，在 无 监 督 的情 况下 ，对输 入 模 式 进 行 自组 织 学 习 ，反 复 地 调 整连 接 权 重 系数 ，使 得 这 些 系数 反 映 出输入 样 本 之 间 地 相互 关 系 ，并 在 竞 争 层将 分 类结 果表 示 出来 。因此 Ｓ ＯＭ 算法 在功 能上 通过 网 络 中神经 元 间的 相 互作 用 和 相 互 竞争 ，在结 构
相结 合的 改进检 测算法 。Ｓ Ｍ 先进行 一次初 聚类 ， Ｏ 将 其 作 为 Ｋ Ｍｅｎ 初 始 聚 类 ，然 后 采 用 Ｋ Ｍｅｎ — ａｓ — ａｓ 来 对 Ｓ Ｍ 的聚 类进 行精 化 ，这 样 使两种 算法 的优 Ｏ
点 得 到 完美 的结 合 ，又 克服 了两 者 的缺 点 ，以提
、 ｌ
訇 似
改进 的Ｓ Ｍ和Ｋ Ｍｅｎ结合 的入侵检测方法 Ｏ — ａｓ
Ｃｏｍ ｂｉ ｎａｔｏｎ ｏｆＳＯＭ ｉ ａｎｄ Ｋ－ ｅ Ｍ ａｎｓ ｆ ｎ ｒ ｉ ｏｒｉ ｔ ｕｓ ｏｎ ｄｅｔ ｅｃｔｏｎ ａｌ ｉ ｇｏｒｔ ｉｈｍ
杨照峰 。 ，樊爱 宛 ，樊爱京