王興柱　顏君彪　曾慶懷

1(湖南文理學(xué)院芙蓉學(xué)院　湖南 常德 415000)2(湖南文理學(xué)院現(xiàn)代教育技術(shù)中心　湖南 常德 415000)

?

基于熵重要測(cè)度權(quán)重粗糙集的阿爾法多層凝聚入侵分類(lèi)

王興柱1顏君彪1曾慶懷2

1(湖南文理學(xué)院芙蓉學(xué)院湖南 常德 415000)2(湖南文理學(xué)院現(xiàn)代教育技術(shù)中心湖南 常德 415000)

針對(duì)入侵檢測(cè)數(shù)據(jù)量大，而文獻(xiàn)[1]提出的α核心集的多層凝聚算法計(jì)算復(fù)雜度過(guò)高，影響實(shí)際應(yīng)用的問(wèn)題，提出一種基于熵重要測(cè)度權(quán)重粗糙集的α核心集多層凝聚入侵分類(lèi)算法。首先，基于熵重要測(cè)度權(quán)重方法利用粗糙集對(duì)入侵檢測(cè)數(shù)據(jù)進(jìn)行預(yù)處理和屬性約簡(jiǎn)，降低數(shù)據(jù)維數(shù)防止算法陷入“維數(shù)陷阱”；其次，用熵重要測(cè)度權(quán)重距離代替阿爾法多層凝聚算法的歐式距離計(jì)算個(gè)體相似度，并實(shí)現(xiàn)粗糙集輸出數(shù)據(jù)與阿爾法多層凝聚算法的有效對(duì)接。通過(guò)實(shí)驗(yàn)表明，基于熵重要測(cè)度權(quán)重粗糙集的α核心集多層凝聚入侵分類(lèi)算法能夠更加有效對(duì)KDDCUP99標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)進(jìn)行檢測(cè)分類(lèi)。

熵重要測(cè)度權(quán)重粗糙集多層凝聚入侵檢測(cè)

0　引　言

入侵檢測(cè)系統(tǒng)(IDS)是對(duì)網(wǎng)絡(luò)中入侵行為進(jìn)行檢測(cè)的自動(dòng)系統(tǒng)，作為入侵安全防范的前提已在許多安全系統(tǒng)中得到廣泛應(yīng)用[1,2]。二十一世紀(jì)，網(wǎng)絡(luò)逐漸成為獲取資訊最常用的工具之一，人們對(duì)于網(wǎng)絡(luò)的依賴(lài)程度也逐漸增加。如何構(gòu)建高效的入侵攻擊防御系統(tǒng)，對(duì)于保障信息安全、維持正常生產(chǎn)、生活秩序意義非凡[3]。

為進(jìn)一步提高入侵檢測(cè)算法的整體性能，許多學(xué)者致力于入侵檢測(cè)算法方面的研究。文獻(xiàn)[4]基于SVM算法在非線(xiàn)性識(shí)別中的特點(diǎn)，提出一種SVM入侵檢測(cè)算法，去除了機(jī)器學(xué)習(xí)算法的局限性。文獻(xiàn)[5]基于神經(jīng)網(wǎng)絡(luò)在非線(xiàn)性逼近方面的優(yōu)勢(shì)，對(duì)特征提取后的入侵攻擊行為進(jìn)行檢測(cè)。文獻(xiàn)[6]基于k-Means算法來(lái)降低訓(xùn)練樣本量，提高其學(xué)習(xí)性能和計(jì)算效率，通過(guò)反向傳播學(xué)習(xí)機(jī)制對(duì)入侵攻擊進(jìn)行檢測(cè)。文獻(xiàn)[7]基于CACC對(duì)算法進(jìn)行離散化，以此提高數(shù)據(jù)表達(dá)能力，然后基于樸素貝葉斯和k-Means聚類(lèi)進(jìn)行入侵估計(jì)檢測(cè)等。

1　多層凝聚算法

學(xué)者馬儒寧在文獻(xiàn)[1]中闡述了一種新的基于α核心集指標(biāo)的分層次聚類(lèi)方法(MULCA)，稱(chēng)之為多層凝聚算法。有關(guān)定義如下：

定義1該定義根據(jù)高斯距離概念，給出(入侵)數(shù)據(jù)xi與xj間的相似性形式如下：

(1)

式中，σ=σ0d，d為數(shù)據(jù)集的直徑。

定義2文獻(xiàn)[1]采用α核心集概念，此處給出多層凝聚算法的首要核心集概念。如果對(duì)于任意數(shù)據(jù)集X中的任何一點(diǎn)x*都滿(mǎn)足式(2)所述的要求：

(2)

則稱(chēng)任意點(diǎn)x*為任意數(shù)據(jù)集X的首要核心點(diǎn)。

定義3α個(gè)依次首要核心點(diǎn)可定義形式如下：

(3)

定義4數(shù)據(jù)集X的α核心凝聚矩陣可由式(4)獲得：

(4)

從定義4給出的凝聚矩陣計(jì)算公式可以看出，該矩陣PX～Xα能夠反映出數(shù)據(jù)集X與其α核心集Xα的相關(guān)程度。

定義5Xα的加權(quán)相似性矩陣形式如下：

(5)

根據(jù)定義5，可依次定義得到原數(shù)據(jù)集X，在凝聚粗化分層過(guò)程中，每一層提取結(jié)果的α核心集的相似性加權(quán)矩陣，形式可定義如下：

(6)

根據(jù)定義1-定義5，可獲得文獻(xiàn)[1]提出的多層凝聚算法的兩階段計(jì)算(粗化與細(xì)化)過(guò)程步驟，如圖1所示。

圖1　多層凝聚算法過(guò)程

2　粗糙集熵屬性約簡(jiǎn)

MULCA算法由于牽涉到凝聚粗化和凝聚細(xì)化兩個(gè)階段，導(dǎo)致算法計(jì)算復(fù)雜度的提高，特別是針對(duì)如入侵檢測(cè)系統(tǒng)這種大數(shù)據(jù)量的分類(lèi)問(wèn)題時(shí)，如何降低算法的計(jì)算復(fù)雜度關(guān)乎算法的實(shí)際應(yīng)用價(jià)值。下面將借助粗糙集熵屬性約簡(jiǎn)來(lái)對(duì)分類(lèi)數(shù)據(jù)進(jìn)行預(yù)處理，以期達(dá)到降低算法計(jì)算復(fù)雜度，提高分類(lèi)精度的目的[8,9]。

定義6(等價(jià)關(guān)系族)假設(shè)P、Q在集合U中為等價(jià)的，Q的P正域可表述為：

(7)

(8)

Gain(A)=I(S1,…,Sm)-E(A)

(9)

sig(C)=rP(C)-rP-Q(C)

(10)

定義9(熵測(cè)度權(quán)重距離)假設(shè)有K個(gè)屬性，則對(duì)于其屬性j∈K，其重要性權(quán)值可根據(jù)定義8表述如下：

(11)

則熵測(cè)度權(quán)重距離可定義如下：

(12)

利用該熵測(cè)度權(quán)重距離可以對(duì)冗余屬性進(jìn)行刪減，從而可以有效地降低計(jì)算數(shù)據(jù)量，并可仿真算法陷入“維度陷阱”，粗糙集熵屬性約簡(jiǎn)步驟如下：

步驟1輸入n個(gè)對(duì)象的數(shù)據(jù)庫(kù)，及輸出簇的數(shù)量k；

步驟2數(shù)據(jù)初始化，令γΦ=0，Φ→red；

步驟3對(duì)任意屬性ai∈A-red，計(jì)算重要測(cè)度：

sig(ai,red,D)=γred∪a(D)-γred(D)

(13)

步驟4選擇最重要測(cè)度的屬性ak，滿(mǎn)足下式：

sig(ak,red,D)=max(sig(ai,red,D))

(14)

步驟5若sig(ak,red,D)>0，則更新red集合：red∪ak→red，否則返回步驟4；

步驟6利用上述得到的K維數(shù)據(jù)庫(kù)根據(jù)定義9計(jì)算red集中的個(gè)體屬性權(quán)重ωj；

步驟7任意k個(gè)屬性對(duì)象作為簇中心；

式中,Wx表示相x的質(zhì)量分?jǐn)?shù),Ix為積分強(qiáng)度,KxA和KiA可以在JCPDS(Joint Committee on Powder Diffraction Standards,粉末衍射標(biāo)準(zhǔn)聯(lián)合委員會(huì))的PDF卡片中得到.

步驟8循環(huán)執(zhí)行下列步驟：

(1) 根據(jù)簇對(duì)象均值，將對(duì)象劃歸到類(lèi)似簇中；

(2) 更新簇均值和簇中對(duì)象均值；

(3) 計(jì)算熵測(cè)度權(quán)重距離d(xk,ci)，直到d(xk,ci)值穩(wěn)定為止；

步驟9輸出red、屬性簇及d(xk,ci)。

3　改進(jìn)MULCA算法的入侵檢測(cè)

多層凝聚算法由于獨(dú)特的算法結(jié)構(gòu)導(dǎo)致算法的計(jì)算復(fù)雜度增加，因此，對(duì)于大數(shù)據(jù)量的入侵?jǐn)?shù)據(jù)檢測(cè)，降低數(shù)據(jù)冗余對(duì)于算法的實(shí)際應(yīng)用意義非凡[10]。第1、2節(jié)著重介紹了α核心集的多層凝聚算法以及粗糙集熵屬性約簡(jiǎn)的有關(guān)定義和算法步驟，本節(jié)主要思想是基于粗糙集熵屬性約簡(jiǎn)的數(shù)據(jù)預(yù)處理并結(jié)合α核心集的多層凝聚算法實(shí)現(xiàn)入侵?jǐn)?shù)據(jù)的有效檢測(cè)?；诟倪M(jìn)MULCA算法的入侵?jǐn)?shù)據(jù)檢測(cè)算法框架如圖2所示。

圖2　入侵檢測(cè)算法過(guò)程

基于改進(jìn)MULCA算法的入侵?jǐn)?shù)據(jù)檢測(cè)步驟如下：

步驟1輸入待分類(lèi)的入侵?jǐn)?shù)據(jù)集X及所需要聚類(lèi)的個(gè)數(shù)K；

步驟3利用熵測(cè)度權(quán)重距離d(xi,xj)取代定義1相似度定義，令μ(xi,xj)=d(xi,xj)，利用粗糙集熵屬性約簡(jiǎn)后的數(shù)據(jù)集作為多層凝聚算法的輸入數(shù)據(jù)集X′；

步驟5參照第1節(jié)有關(guān)定義執(zhí)行細(xì)化過(guò)程，對(duì)數(shù)據(jù)集進(jìn)行分類(lèi)，輸出最終的入侵?jǐn)?shù)據(jù)分類(lèi)結(jié)果C={C1,C2,…,Cm}。

4　仿真實(shí)驗(yàn)與分析

4.1算法測(cè)試

仿真對(duì)比實(shí)驗(yàn)，選取文獻(xiàn)[11]PROCLUS算法、文獻(xiàn)[12]EWKM算法、文獻(xiàn)[13]FWKM算法和文獻(xiàn)[14]FCS四種算法作為對(duì)比算法。本文對(duì)比實(shí)驗(yàn)采用文獻(xiàn)[11]使用的數(shù)據(jù)合成方法進(jìn)行實(shí)驗(yàn)數(shù)據(jù)生成。

表1　仿真數(shù)據(jù)集實(shí)驗(yàn)參數(shù)

由表2對(duì)比結(jié)果可以看出，RSMULCA算法在四種對(duì)比測(cè)試數(shù)據(jù)上的識(shí)別精度式中最高。作為對(duì)比算法在某些數(shù)據(jù)集上識(shí)別精度接近于RSMULCA算法，如FCS算法在數(shù)據(jù)集DB1和DB4上的聚類(lèi)識(shí)別精度，在個(gè)別數(shù)據(jù)集上其算法性能受制于參數(shù)影響，如在數(shù)據(jù)集DB2上，α=2.1上FCS算法的識(shí)別精度為0.9582，但是當(dāng)α=3.0時(shí)，識(shí)別精度降為0.8846，在其他數(shù)據(jù)集上參數(shù)依賴(lài)程度不大。從表2對(duì)比數(shù)據(jù)中可看出，PROCLUS、EWKM和FWKM三種算法也有不同程度的參數(shù)依賴(lài)性，相比RSMULCA算法對(duì)實(shí)驗(yàn)的自適應(yīng)能力要強(qiáng)于對(duì)比算法。

表2　聚類(lèi)識(shí)別精度對(duì)比

因?yàn)镻ROCLUS算法是基于數(shù)據(jù)抽樣的，仿真過(guò)程中算法每次運(yùn)行結(jié)果都不同。EWKM、FWKM和FCS算法不會(huì)出現(xiàn)此情況。對(duì)于同一實(shí)驗(yàn)數(shù)據(jù)，5種算法各運(yùn)行20次取平均性能。

下面主要測(cè)試算法聚類(lèi)時(shí)間及數(shù)據(jù)點(diǎn)數(shù)、維數(shù)和簇?cái)?shù)三個(gè)參數(shù)對(duì)RSMULCA算法運(yùn)行時(shí)間的影響程度，仿真結(jié)果如圖3所示。

圖3　運(yùn)行時(shí)間對(duì)比結(jié)果

圖3給出幾種對(duì)比算法的運(yùn)行時(shí)間對(duì)比情況，從中可以看出，RSMULCA算法在運(yùn)行時(shí)間上要優(yōu)于所采用的對(duì)比算法，主要原因是RSMULCA算法采用粗糙集熵屬性約簡(jiǎn)算法有助于降低分類(lèi)數(shù)據(jù)的計(jì)算數(shù)據(jù)量。其他幾種算法運(yùn)行時(shí)間情況是：PROCLUS優(yōu)于FCS算法，兩者優(yōu)于EWKM和FWKM算法，而FWKM要優(yōu)于EWKM算法，主要原因是EWKM算法參數(shù)確定需要較復(fù)雜的計(jì)算步驟。

4.2入侵檢測(cè)實(shí)驗(yàn)分析

在以往入侵分類(lèi)算法的文獻(xiàn)報(bào)道中，KDDCUP99數(shù)據(jù)庫(kù)[15,16]是常用到的實(shí)驗(yàn)對(duì)象，為了方便與相關(guān)文獻(xiàn)算法的對(duì)比，這里依然沿用其他文獻(xiàn)的做法，以KDDCUP99數(shù)據(jù)庫(kù)作為實(shí)驗(yàn)對(duì)象。該數(shù)據(jù)庫(kù)最具有代表性的主要有4種網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)：DOS、Probe、U2R和U2L。這四種類(lèi)型網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)信息如表3所示。

表3　測(cè)試數(shù)據(jù)選取數(shù)量

在對(duì)入侵檢測(cè)算法進(jìn)行評(píng)價(jià)時(shí)，常用到的評(píng)價(jià)指標(biāo)主要有檢測(cè)率和錯(cuò)檢率。所謂檢測(cè)率指的是算法檢測(cè)出的入侵?jǐn)?shù)據(jù)個(gè)數(shù)與入侵?jǐn)?shù)據(jù)總數(shù)的比值；錯(cuò)檢率指的是被誤報(bào)為入侵的正常數(shù)據(jù)數(shù)量與正常數(shù)據(jù)總數(shù)的比值。對(duì)于表3選取的測(cè)試數(shù)據(jù)集，分別選取RSMULCA算法、PIDE[10]算法和KTID算法[15]的入侵檢測(cè)分類(lèi)結(jié)果進(jìn)行比較如表4所示。

表4　分類(lèi)結(jié)果對(duì)比(%)

檢測(cè)率如式(15)所示，錯(cuò)檢率如式(16)所示[13]：

(15)

(16)

表4所示分別為RSMULCA、PIDE和KTID三種算法在標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)庫(kù)上，根據(jù)式(15)、式(16)的實(shí)驗(yàn)對(duì)比數(shù)據(jù)。從該對(duì)比數(shù)據(jù)可以看出，在DOS、U2R、U2L和Probe四種數(shù)據(jù)分類(lèi)中，RSMULCA算法在檢測(cè)率和錯(cuò)檢率上的識(shí)別性能均要比PIDE和KTID算法更優(yōu)異。PIDE與KTID相比，前者在U2L和U2R兩種網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)上的識(shí)別效果要優(yōu)于KTID算法。在錯(cuò)檢率方面，PIDE算法在U2L和DOS兩種入侵?jǐn)?shù)據(jù)上的識(shí)別效果要優(yōu)于KTID算法。總體上，PIDE入侵檢測(cè)算法和KTID入侵檢測(cè)算法的性能各有千秋。通過(guò)數(shù)據(jù)對(duì)比可以得到這樣的結(jié)論，本文所提RSMULCA入侵檢測(cè)算法是可行的，能夠有效地提高入侵檢測(cè)的識(shí)別率，降低錯(cuò)檢率。

為進(jìn)一步驗(yàn)證RSMULCA算法的入侵?jǐn)?shù)據(jù)識(shí)別性能優(yōu)勢(shì)，分別選取MULCA和UMID[17]兩種算法進(jìn)行對(duì)比。標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)庫(kù)仍選用KDDCUP99，入侵?jǐn)?shù)據(jù)數(shù)量如表3所示，仿真對(duì)比結(jié)果如圖4、圖5所示。

圖4　三種算法的檢測(cè)率對(duì)比

圖5　三種算法的錯(cuò)測(cè)率對(duì)比

圖4給出RSMULCA、MULCA和UMID三種算法的檢測(cè)率對(duì)比結(jié)果?？梢钥闯?，RSMULCA算法在DOS、U2R、U2L和Probe四種入侵?jǐn)?shù)據(jù)上的檢測(cè)準(zhǔn)確率性能均要比MULCA和UMID兩種對(duì)比算法優(yōu)秀。而后兩種算法，在DOS和U2R兩種入侵方式中，MULCA算法的入侵?jǐn)?shù)據(jù)檢測(cè)率優(yōu)于UMID算法，在U2L和Probe兩種入侵方式中，UMID算法的入侵?jǐn)?shù)據(jù)檢測(cè)率優(yōu)于MULCA算法。圖5給出RSMULCA、MULCA和UMID三種算法的錯(cuò)檢率對(duì)比結(jié)果。可以看出，RSMULCA算法在四種入侵?jǐn)?shù)據(jù)上的檢測(cè)錯(cuò)誤率要低于另外兩種對(duì)比算法，其中在U2R、Probe和U2L三種攻擊方式中MULCA算法的入侵?jǐn)?shù)據(jù)錯(cuò)檢率要高于UMID算法。綜上所述，實(shí)驗(yàn)結(jié)果表明RSMULCA算法對(duì)入侵?jǐn)?shù)據(jù)檢測(cè)是可行和高效的。

5　結(jié)　語(yǔ)

從提高入侵檢測(cè)系統(tǒng)對(duì)新的入侵?jǐn)?shù)據(jù)檢出率的角度，結(jié)合文獻(xiàn)[1]提出的α核心集的多層凝聚算法設(shè)計(jì)了無(wú)監(jiān)督的入侵檢測(cè)分類(lèi)系統(tǒng)，并且為了解決多層凝聚算法計(jì)算復(fù)雜度過(guò)高的問(wèn)題，采用基于熵重要測(cè)度權(quán)重粗糙集對(duì)入侵?jǐn)?shù)據(jù)進(jìn)行預(yù)處理，并和多層凝聚算法實(shí)現(xiàn)有效對(duì)接，降低數(shù)據(jù)維數(shù)防止“維數(shù)陷阱”，提高了分類(lèi)的準(zhǔn)確率。

[1] 馬儒寧,王秀麗,丁軍娣.多層核心集凝聚算法[J].軟件學(xué)報(bào),2013,24(3):490-505.

[2]ChiragM,DhirenP,BhaveshB.Asurveyofintrusiondetectiontechniquesincloud[J].JournalofNetworkandComputerApplications,2013,36(1):42-57.

[3]FaraounKM,BoukelifA.InternationalJournalofComputationalIntelligence[J].NeuralNetworksLearningImprovementusingtheClusteringAlgorithmtoDetectNetworkIntrusions,2007,3(2):161-168.

[4]BoppanaRV,SuX.OntheEffectivenessofMonitoringforIntrusionDetectioninMobileAdHocNetworks[J].IEEETransactionsonMobileComputing,2011,10(8):1162-1174.

[5]MaLC,MinY,PeiQQ.ADynamicIntrusionDetectionMechanismBasedonSmartAgentsinDistributedCognitiveRadioNetworks[J].GeneticandEvolutionaryComputing,2014,238(2):283-290.

[6] 楊雅輝,黃海珍,沈晴霓.基于增量式GHSOM神經(jīng)網(wǎng)絡(luò)模型的入侵檢測(cè)研究[J].計(jì)算機(jī)學(xué)報(bào),2014,37(5):1216-1224.

[7]ValenzuelaJ,WangJH,BissingerN.Real-timeintrusiondetectioninpowersystemoperations[J].IEEETransactionsonPowerSystems,2013,28(2):1052-1062.

[8]AnilKB,BipanT,JayashriR.OptimizationofSensorArrayinElectronicNose:ARoughSet-BasedApproach[J].IEEESensorsJournal,2011,11(11):3001-3008.

[9] 唐繼勇,宋華,孫浩.基于粗糙集理論與核匹配追蹤的入侵檢測(cè)[J].計(jì)算機(jī)應(yīng)用,2010,30(5):1202-1205.

[10]FungCJ,ZhangJ,BoutabaR.EffectiveAcquaintanceManagementbasedonBayesianLearningforDistributedIntrusionDetectionNetworks[J].IEEETransactionsonNetworkandServiceManagement,2012,9(3):320-332.

[11]AggarwalCC,ProcopiucC,WolfJL.Fastalgorithmforprojectedclustering[C]//Proc.oftheACM.SIGMOD.NewYork:ACMPress,1999:61-71.

[12]JingL,NgMK,HuangJZ.Anentropyweightingk-meansalgorithmforsubspaceclusteringofhighdimensinoalsparesedata[J].IEEETransonKnowledgeandDataEngineering,2007,19(8):1-16.

[13]HnangJZ,NgMK,RongH.Automatedvariableweightingink-meanstypeclustering[J].IEEETransonPatternAnalysisandMachineIntelligence,2005,27(5):657-668.

[14]GaoG,WuJ,YangZ.Afuzzysubspaceclusteringalgorithmforclusteringhighdimensionaldata[J].LectureNotesinComputerScience,2006,24(3):271-278.

[15]MengYX,LiWJ.Towardsadaptivecharacterfrequency-basedexclusivesignaturematchingschemeanditsapplicationsindistributedintrusiondetection[J].ComputerNetworks,2013,57(17):3630-3640.

[16]HassanzadehA,XuZY,RaduS.PRIDE:PracticalIntrusionDetectioninResourceConstrainedWirelessMeshNetworks[J].InformationandCommunicationsSecurity,2013,23(3):213-228.

[17]ShakshukiEM,SheltamiTR.EAACK—ASecureIntrusion-DetectionSystemforMANETs[J].IEEETransactionsonIndustrialElectronics,2013,60(3):1089-1098.

INTRUSIONCLASSIFICATIONFORALPHAMULTILEVELAGGREGATIONBASEDONROUGHSETWITHENTROPYIMPORTANTMEASUREMENTWEIGHT

WangXingzhu1YanJunbiao1ZengQinghuai2

1(Furong College,Hunan University of Arts and Science,Changde 415000,Hunan,China)2(Modern Educational Technology Center,Hunan University of Arts and Science,Changde 415000,Hunan,China)

Intrusiondetectionhaslargedataamount,andthemultilevelaggregationclusteringalgorithmofαcore-setpresentedbyliterature[1]hastoohighcomputationalcomplexity,whichaffectsthepracticalapplication.Aimingatthisproblem,weproposedanintrusionclassificationalgorithmforαcore-setmultilevelaggregationclustering,whichisbasedonroughsetwithentropyimportantmeasurementweight.First,basedonentropyimportantmeasurementweightmethoditusestheroughsettocarryoutpretreatmentandattributereductiononintrusiondetectiondata,andtodecreasedatadimensionforpreventingthealgorithmfromfallinginto"dimensiontrap";Secondly,itreplacestheEuclideandistanceofalphamultilevelaggregationclusteringalgorithmwithentropyimportantmeasurementweightdistancetocomputetheindividualsimilarity,andimplementstheeffectivedockingofoutputdataofroughsetandalphamultilevelaggregationclusteringalgorithm;Finally,itwasdemonstratedthroughexperimentsthattheproposedalgorithmcouldmoreeffectivelydothedetectionandclassificationonKDDCUP99standarddatabase.

EntropyImportantmeasurementWeightRoughsetMultilevelaggregationclusteringIntrusiondetection

2014-11-23。湖南省自然科學(xué)基金項(xiàng)目(14JJ2124)。王興柱，副教授，主研領(lǐng)域：網(wǎng)絡(luò)與信息安全，現(xiàn)代教育技術(shù)。顏君彪，教授。曾慶懷，副教授。

TP311

ADOI:10.3969/j.issn.1000-386x.2016.03.075