第24卷第3期 2016年9月
北京石油化工学院学报 Journal of Beijing Institute of Petro-chemical Technology
Vol.24No.3 Sep.2016
基于改进差分进化的K均值聚类算法在
入侵检测中的研究王广1.2，张晓明1，徐日华1.2
（1.北京化工大学，北京100029;2.北京石油化工学院，北京102617)
摘要：针对K均值算法对初始聚类中心需要人为设定、对聚类中心敏感并且极易陷人局部最优的缺陷，用改进的DE算法对K均值算法进行优化。在DE算法中，采用动态交叉参数CR与缩放参数F，有效地平衡了DE算法的全局寻优能力与收效速度二者的矛盾，利用混沌的随机性完成DE算法的种群初始化，利用其遍历性在DE进化后期的最优解附近进行混沌拽索，有效地提高了DE算法的全局寻优能力。最后，使用KDD99数据集对CDE一K均值算法进行验证，实验结果表明，CDE一K均值算法具有较好的聚类能力，在检验效果方面表现优秀。
关键调：人侵检测；K均值算法；混沌搜索；DE算法
中图分类号：TP37
文献标志码：A
网络安全已成为全社会性问题。迅速、有效地发掘各种网络攻击行为，保障网络系统和资源的安全，对国家安全和人民权益有着重大的意义"]。K均值算法是最常用的聚类算法之一，在人侵检测(IDS)研究中有着广泛的应用()。但是此算法有两方面的缺陷：一是该算法受初始聚类中心的影响较大，聚类结果很难确定；二是收敛性能较弱，不易获取全局最优解。前人在研究K均值应用于IDS时，对K 均值算法做了很多种优化：模拟退火算法对K 均值聚类算法的优化[]；粒子群算法对K均值聚类算法的优化}；人工鱼群算法对K均值聚类算法的优化[5]。
差分进化算法（DE算法）是20世纪90年代提出的一种新的进化算法。DE算法全局搜索能力比较优秀，经过这些年的研究，该算法已经成功地应用在很多领域【*)。但该算法也存在着不足：DE进化后期很可能跳不出局部最优解的范围；控制参数的设置对差分进化算法的影响很大。
基于改进差分进化的K均值聚类算法收稿日期：2016-04-24
作者简介：王广（1988-—），男，碳士研究生为研究方向信息安全，E-mail：13811710921@163.com。
万方数据
(CDE-K均值聚类算法），笔者用改进的DE算法对K均值算法进行优化。有效地提高了DE 算法的全局寻优能力。
CDE-KM聚类算法 1
1.1混沌
选用的Logistic混沌方程为(-)；
t+1 =e+(1 t+)
(1)
(1)利用混沌的随机性初始化DE算法：令 t,的初始值分别取m个[0，1]的混沌数，产生相应的向量t++1=(t1.++1，*，tj.+1，***，tm.++1），各分量表示为：
j++ =μ j. (1 tj,)
(2)
其中,j=1,2,,m,=1,2,,N-1。将产生的混沌变量映射到初始种群个体的分量中：
(3)
j..=Tjna +(TjmuTjmin)ty. 得到初始种群个体X=（i..，，xj...，
r%.）。其中，rjm，,.min分别为决策变量的上、下界,i=1,2,,N。
(2)DE算法进化后期，在其最优解X，正反两方向上搜索寻优：
X,=X,+at
式中，α为调节参数。
11 a=
β≥0.5
{-1其他
(4)(5)