發(fā)布時(shí)間：2024-06-02 05:14

　　針對(duì)現(xiàn)有多源入侵檢測(cè)設(shè)備產(chǎn)生的報(bào)警數(shù)據(jù)中存在大量冗余和相似報(bào)警,導(dǎo)致檢測(cè)精度較低的問題,提出一種基于模糊聚類的報(bào)警數(shù)據(jù)并行融合方法。該方法采用模糊聚類的思想融合多源報(bào)警數(shù)據(jù),通過最大最小距離算法改進(jìn)模糊C均值聚類,避免聚類結(jié)果陷入局部最優(yōu)解,同時(shí)利用MapReduce分布式計(jì)算模型提高處理效率。在真實(shí)入侵檢測(cè)環(huán)境中的實(shí)驗(yàn)結(jié)果顯示,通過該方法聚類后的數(shù)據(jù)融合率達(dá)到87.88%,證明該方法可有效去除誤報(bào)警,提高檢測(cè)精度。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1并行FCM算法流程圖

Map過程的主要任務(wù)是計(jì)算數(shù)據(jù)樣本點(diǎn)到聚類中心的幾何距離，再通過隸屬度計(jì)算公式將幾何距離轉(zhuǎn)化成隸屬度，最后將該樣本點(diǎn)數(shù)據(jù)、所屬的聚類中心點(diǎn)以及對(duì)應(yīng)的隸屬度輸出。首先從HDFS上讀取數(shù)據(jù)，并以指定的（key,value）對(duì)輸入格式作為Map函數(shù)的輸入值，其中key為數(shù)據(jù)樣本點(diǎn)的id....

圖2Ambari大數(shù)據(jù)平臺(tái)拓?fù)鋱D

通過搭建真實(shí)的Ambari版本的大數(shù)據(jù)平臺(tái)來驗(yàn)證所提方法的有效性。分布式大數(shù)據(jù)處理平臺(tái)環(huán)境為CentOS7開源平臺(tái)下的分布式集群。實(shí)驗(yàn)環(huán)境的整體拓?fù)鋱D如圖2所示，其中Ambari分布式集群由4個(gè)節(jié)點(diǎn)組成，包括1臺(tái)服務(wù)器主節(jié)點(diǎn)Master和3臺(tái)服務(wù)器作為從節(jié)點(diǎn)，分別為Slave1、....

圖3不同模糊指數(shù)下的融合率對(duì)比

同時(shí)，為驗(yàn)證本設(shè)計(jì)的并行融合方法比常規(guī)的FCM融合方法在單臺(tái)服務(wù)器上運(yùn)行的時(shí)間效率和數(shù)據(jù)融合率更高，通過控制大數(shù)據(jù)集群工作的服務(wù)器數(shù)量，來進(jìn)行時(shí)間效率和數(shù)據(jù)融合率的對(duì)比。圖4和圖5分別給出了不同模糊指數(shù)下改進(jìn)的并行融合方法和常規(guī)的FCM融合方法的運(yùn)行時(shí)間和數(shù)據(jù)融合率對(duì)比圖。圖4....

圖5融合率對(duì)比

圖4運(yùn)行時(shí)間對(duì)比由圖4可知，本算法提出的基于MapReduce編程模型的并行融合方法比常規(guī)的FCM融合方法在運(yùn)行效率上有明顯的優(yōu)勢(shì)，當(dāng)1≤m≤3時(shí)，消耗的時(shí)間縮短，當(dāng)m>3時(shí)，融合所需要的時(shí)間開始變長，并隨著模糊指數(shù)的增大趨向平穩(wěn)，雖然當(dāng)m=3時(shí)所消耗的時(shí)間最短，但是從圖5可知....

本文編號(hào)：3986907