基于IKMNB分类算法在入侵检测中的应用

• 作者: 刘淑芬 崔静静 王辉
• 来源期刊: 计算机应用研究
• 关键词: 入侵检测 改进K-means算法 朴素贝叶斯分类算法 检测率 误检率 漏检率 近似度距离
• 年，卷（期）: 2014,（12）
• 所属期刊栏目: 信息安全技术
• 页码范围: 3673-3676,3681
• 页数: 5页
• 分类号: TP393.08
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2014.12.039

摘要

针对当前入侵检测中存在检测率低,误检率和漏报率高的问题,提出了一种基于K-means聚类的贝叶斯分类算法(IKMNB).用改进的K-means聚类算法对原始数据集中的完整数据进行聚类,然后计算缺失数据集中的每条记录与k个簇中心之间的近似度距离,把记录归属为距离最近的一个簇,使得该记录的缺失值被相应簇中的属性值填充,最后运用贝叶斯分类算法对处理后的完整数据集进行分类.通过仿真实验验证了该算法与朴素贝叶斯算法相比提高了检测率,降低了误检率和漏报率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王辉	河南理工大学计算机科学与技术学院	102	644	10.0	22.0
2	刘淑芬	吉林大学计算机科学与技术学院	96	764	14.0	21.0
3	崔静静	河南理工大学计算机科学与技术学院	1	5	1.0	1.0