• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    WSN中基于Mini Batch K-Means與SVM的入侵檢測方案

    2020-05-28 09:36:21歐陽瀟琴王秋華
    軟件導(dǎo)刊 2020年3期
    關(guān)鍵詞:入侵檢測無線傳感器網(wǎng)絡(luò)

    歐陽瀟琴 王秋華

    摘 要:無線傳感器網(wǎng)絡(luò)通常部署在復(fù)雜的戶外環(huán)境,易遭受各種攻擊。多數(shù)入侵檢測系統(tǒng)均采用數(shù)據(jù)挖掘算法對網(wǎng)絡(luò)數(shù)據(jù)包進行分析,但在處理大樣本集時,其效率明顯降低。針對這一缺點,提出一種基于Mini Batch K-Means和SVM的入侵檢測方案。該方案首先分別對正常行為特征庫和異常行為特征庫進行Mini Batch K-Means聚類,取得類中心作為各類的代表樣本并賦予權(quán)值,將其傳入SVM分類器作為訓(xùn)練數(shù)據(jù),得到分類超平面,通過該超平面對待測樣本作出判斷。解決了如K-Means、KNN、SVM等傳統(tǒng)數(shù)據(jù)挖掘算法在大數(shù)據(jù)樣本集數(shù)據(jù)分析中面臨的低效問題。仿真結(jié)果表明,該方案能快速準確地判斷樣本類別,其檢測率達到98.7%。與K-Means、KNN和SVM相比,不僅達到了同樣高的檢測率,而且明顯提高了入侵檢測的時間效率。

    關(guān)鍵詞:無線傳感器網(wǎng)絡(luò);入侵檢測;Mini Batch K-Means聚類算法;SVM算法

    DOI:10. 11907/rjdk. 191638

    中圖分類號:TP309 ? 文獻標識碼:A ??????????????? 文章編號:1672-7800(2020)003-0204-06

    An Intrusion Detection Scheme Based on Mini Batch K-Means and

    SVM in Wireless Sensor Networks

    OU YANG Xiao-qin1,WANG Qiu-hua2

    (1. School of Communication Engineering,Hangzhou Dianzi University;

    2. School of Network Space Security,Hangzhou Dianzi University, Hangzhou 310018, China)

    Abstract: Wireless sensor networks (WSN) are usually deployed in complex outdoor environments and vulnerable to various attacks. Most intrusion detection systems use data mining algorithms to analyze network packets, but their efficiency is significantly reduced when dealing with large sample sets. In view of this shortcoming, a intrusion detection scheme based on Mini Batch K-Means and SVM is proposed. The scheme firstly conducts Mini Batch K-Means clustering on the database of normal behavior and abnormal behavior. The obtained centers of clusters are then used as representative samples of their clusters, each of which is assigned a weight and is input into SVM classifier as training data, so as to get a Classifying hyper-plane which can be used to classify samples. The proposed scheme solves the inefficiencies that traditional data mining algorithms such as K-means, KNN and SVM face in data analysis of big data sample sets. Simulation results show that our proposed scheme can determine the sample types quickly and accurately, whose accuracy is 98.7%. Compared with K-Means, KNN and SVM, our proposed scheme not only achieved the same accuracy, but also improved the time efficiency of intrusion detection significantly.

    Key Words: wireless sensor networks; intrusion detection; mini batch K-Means clustering algorithm; support vector machine algorithm

    0 引言

    近年來,隨著無線傳感器網(wǎng)絡(luò)(WSN:Wireless Sensor Networks)應(yīng)用的日益普及,與之相關(guān)的安全問題也隨之而來。WSN通常部署在相對復(fù)雜、無人維護的環(huán)境中,其所面臨的安全威脅更加復(fù)雜多樣,除一般無線網(wǎng)絡(luò)所面臨的信息泄露與篡改、拒絕服務(wù)、重放等多種攻擊外,WSN還面臨著傳感器節(jié)點被攻擊者物理捕獲,并獲取節(jié)點中存儲的重要信息從而控制網(wǎng)絡(luò)的威脅。WSN中的入侵行為能夠造成網(wǎng)絡(luò)癱瘓、數(shù)據(jù)欺騙等安全問題,并給網(wǎng)絡(luò)帶來巨大破壞[1]。因此,WSN安全是一個亟待解決的問題,WSN的入侵檢測具有重大研究意義,得到了廣泛研究,已提出多種入侵檢測算法[2-7]。

    文獻[2]采用基于改進粒子群優(yōu)化的K-Means算法,根據(jù)物理層的接收信號強度 (RSS:Received Signal Strength)檢測欺騙攻擊;文獻[3]利用從不同接收節(jié)點獲取的RSS比率值檢測欺騙攻擊。但上述兩種方案均無法檢測出節(jié)點是否遭受到物理捕獲攻擊。文獻[4-5]使用基于歐氏距離的KNN算法,通過投票檢測入侵行為;文獻[6]通過帶有聚類半徑的K-Means算法對特征向量進行入侵檢測;文獻[7]采用改進核函數(shù)的支持向量機(SVM:Support Vector Machine)算法將線性不可分的向量映射到高維空間,從而得到分類超平面,對待測樣本進行預(yù)測。但是文獻[4-7]所提方案在處理大樣本集時計算量大,耗時長、效率低,而隨著網(wǎng)絡(luò)的發(fā)展,必然會有更多數(shù)據(jù)加入訓(xùn)練集,算法訓(xùn)練時間也會隨之增加[8]。

    本文針對上述入侵檢測方案中存在的缺陷,提出一種分別對正常行為特征庫和異常行為特征庫進行聚類處理,再使用SVM算法對樣本進行分類預(yù)測的入侵檢測方案。在本文所提方案中,首先使用適合大數(shù)據(jù)的聚類算法Mini Batch K-Means對大樣本集進行數(shù)據(jù)簡約,即對不同行為特征庫進行聚類,得到每類的聚類中心作為該類的代表樣本,該類的樣本數(shù)量作為代表樣本的權(quán)值;然后,將代表樣本和其對應(yīng)的權(quán)值作為SVM分類算法的訓(xùn)練數(shù)據(jù),經(jīng)過訓(xùn)練得到一個超平面,最后利用該超平面對正常樣本和異常樣本進行分割,從而對待測數(shù)據(jù)進行預(yù)測,判斷其是否屬于正常行為。本方案的主要優(yōu)點為:①對樣本進行Mini Batch K-Means聚類并取類中心作為訓(xùn)練數(shù)據(jù),有效解決了大樣本集所引起的耗時影響,顯著提高了檢測速度;②分別對兩種行為特征庫進行聚類處理保證了聚類得到的類中心代表的都是同一類行為,同時對類中心賦予權(quán)值,保證了較高的檢測準確率。本文對方案進行了算法實現(xiàn),實驗結(jié)果表明,使用Mini Batch K-Means顯著提高了樣本聚類時的收斂速度,成倍提高了SVM分類速度,同時保證了較高的檢測準確率,得到了良好的檢測結(jié)果。

    1 數(shù)據(jù)挖掘在入侵檢測中的應(yīng)用

    數(shù)據(jù)挖掘[9]是指使用機器學(xué)習(xí)、統(tǒng)計學(xué)等領(lǐng)域的技術(shù)從海量數(shù)據(jù)中挖掘隱藏信息,將其轉(zhuǎn)化成有用知識。數(shù)據(jù)挖掘過程大致分為5個階段:問題定義、數(shù)據(jù)收集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘?qū)嵤┮约巴诰蚪Y(jié)果解釋與評估[9]。在明確數(shù)據(jù)挖掘任務(wù)以及目標數(shù)據(jù)對象后,使用分類、回歸等方法對已得數(shù)據(jù)進行分析,從數(shù)據(jù)源中抽取與數(shù)據(jù)挖掘目標相關(guān)的信息。

    由于數(shù)據(jù)挖掘能夠從大量數(shù)據(jù)中提取特征,挖掘出特定的行為模式,因此,該技術(shù)也常被用于入侵檢測中[10-14]。通過對網(wǎng)絡(luò)通信時采集而來的數(shù)據(jù)包進行分析,提取出其中隱含的規(guī)律,從而得出正常類型和攻擊類型的數(shù)據(jù)包特征。

    WSN由大量的小型傳感器組成,通過部署在監(jiān)測區(qū)域的傳感器采集數(shù)據(jù)并發(fā)送給監(jiān)察者,可從數(shù)據(jù)包中提取節(jié)點RSS值、感知數(shù)據(jù)值、數(shù)據(jù)包接收比例和發(fā)送比例、丟包率、延遲時間、節(jié)點剩余能量等特征組成的特征向量,作為數(shù)據(jù)挖掘樣本,使用數(shù)據(jù)挖掘算法對上述特征向量進行分析,對于每一個收到的數(shù)據(jù)包,判斷其是否異常?;跀?shù)據(jù)挖掘的入侵檢測模型如圖1所示。

    2 算法基礎(chǔ)

    2.1 Mini Batch K-Means

    Mini Batch K-Means算法[15-16]是K-Means算法的變種,采用隨機產(chǎn)生的小批量數(shù)據(jù)子集進行聚類,大大減少了計算時間,Mini Batch K-Means算法產(chǎn)生的聚類效果只略差于K-Means算法。

    Mini Batch K-Means算法流程如下:

    (1)首先隨機初始化K個樣本作為K個簇初始質(zhì)心。

    (2)在第t次迭代中,從數(shù)據(jù)集中隨機抽取一些數(shù)據(jù)形成小批量樣本集,求其到各中心的距離,將該樣本集歸到距離最短的中心所在的類。

    (3)利用均值方法更新該類的中心值。

    (4)對于所有的K個聚類中心,如果利用步驟(2)和步驟(3)的迭代方法更新后,目標函數(shù)值保持不變,則迭代結(jié)束,否則繼續(xù)迭代。

    樣本間的距離采用歐式距離,歐氏距離是指兩點之間的歐氏空間直線距離。兩點[u=(u1,u2,?,un)]和[v=][(v1,v2,?,vn)]之間歐氏距離計算如式(1)。

    第i個類中心計算公式如式(2)。

    其中,[ciq]表示第i個類的類中心,[Ni]表示第i個類中的元素個數(shù),[Ci]表示第i個類。

    加入批量大小為batch_size的小批量樣本集[X=][X1,X2,?Xbatch_size]后的類中心為[c′iq],計算方式如式(3)。

    另外,使用誤差的平方和(Sum of the Squared Error,? SSE)作為度量聚類質(zhì)量的目標函數(shù),SSE定義如式(4):

    2.2 支持向量機

    支持向量機[17-18]是一種監(jiān)督式學(xué)習(xí)方法,廣泛應(yīng)用于統(tǒng)計分類及回歸分析,其特點是能夠同時最小化經(jīng)驗誤差與最大化幾何邊緣。SVM可以很好地用于高維數(shù)據(jù),避免維數(shù)災(zāi)難。其基本思想是將輸入向量映射到高維特征空間,然后在特征空間構(gòu)造最優(yōu)分類超平面,向量集合被該最優(yōu)超平面分開。最優(yōu)分類超平面如圖2所示,[x=][(xi,yi)i=1,2,?,n]為訓(xùn)練樣本,n為樣本數(shù)量,[xi]為輸入向量,類別[yi∈(0,1)]。

    所有分類超平面可表達為式(5)。

    其中,“[w]”代表超平面的法向量,參數(shù)[bw]決定超平面從原點沿法向量的位移。

    決策函數(shù)為式(6)。

    由于要阻止數(shù)據(jù)點落入邊緣內(nèi),因此添加如下約束:

    (1)對于屬于第一類別的[xi],有[wT?xi-b1]。

    (2)對于屬于第一類別的[xi],有[wT?xi-b-1]。

    支持向量到分類間隔距離的函數(shù)間隔定義為[γ=y(wT?x-b)=yfx]。[wT?x-b=1]與[wT?x-b=-1]兩個平面之間的距離為[margin=2w=2γ],則有[γ=1w],且[yi(wT?xi-b)1]。SVM分類的關(guān)鍵為最大化margin,等價于最小化[w22],目標函數(shù)可轉(zhuǎn)化為式(7)。

    引入拉格朗日乘子[αi>0,(i=1,2,?,n)],構(gòu)造拉格朗日函數(shù)如式(8)。

    根據(jù)拉格朗日對偶性,原始約束最優(yōu)化問題可等價于極大極小對偶問題:[maxLw,b,α]。等價于式(9)中最優(yōu)化問題。

    由此得到算法決策函數(shù)如式(10)。

    3 基于Mini Batch K-Means和SVM的融合算法設(shè)計

    3.1 算法思想

    Mini Batch K-Means算法和K-Means算法都屬于聚類算法,但由于K-Means算法在對大樣本集進行聚類時的收斂速度較慢,因此本方案采用適用于大樣本集的Mini Batch K-Means算法進行聚類,在基本不影響聚類效果的前提下,可以顯著提高收斂速度。SVM算法的中心思想是將線性不可分的數(shù)據(jù)映射到高維空間,再在空間中構(gòu)造一個最優(yōu)分類超平面將兩類數(shù)據(jù)分隔開,減少異類之間的相互影響。

    鑒于入侵檢測的樣本集十分龐大,采用傳統(tǒng)聚類算法或SVM等機器學(xué)習(xí)算法進行檢測非常耗時,本文所提方案著重解決入侵檢測中大樣本集所帶來的耗時問題。本方案先采用Mini Batch K-Means對訓(xùn)練樣本進行快速聚類,獲取類中心,將其作為SVM分類器的訓(xùn)練數(shù)據(jù),然后構(gòu)造分類超平面,再根據(jù)該超平面對待測樣本進行分類預(yù)測。

    3.2 檢測流程

    本文方案的檢測流程包括去重處理與樣本劃分、Mini Batch K-Means聚類、簇中心提取和SVM分類4個步驟。

    (1)去重處理與樣本劃分。當網(wǎng)絡(luò)狀況和被監(jiān)測區(qū)域環(huán)境處于一個相對穩(wěn)定的狀態(tài)時,會出現(xiàn)一部分數(shù)據(jù)包提取到相同樣本,大量重復(fù)的樣本會在一定程度上影響算法運行速度。通過去重處理并給每一個樣本賦予一個權(quán)重,可以減輕樣本重復(fù)所帶來的不利影響。首先,給每個樣本賦予一個權(quán)重weight,初始值為1,將每一列屬性值都相等的樣本合并到一個樣本,相應(yīng)weight賦值為該樣本代表的重復(fù)樣本數(shù)量;然后,根據(jù)樣本標簽將訓(xùn)練樣本劃分到正常行為特征庫或異常行為特征庫,如圖3所示。

    (2)Mini Batch K-Means聚類。分別對正常行為特征庫和異常行為特征庫中的數(shù)據(jù)進行Mini Batch K-Means聚類。Mini Batch K-Means算法中有兩個參數(shù)至關(guān)重要,分別是聚類簇數(shù)K和批量大小batch_size。K表示聚類目標簇的數(shù)量,即根據(jù)算法規(guī)則將樣本分配到K個簇中;batch_size表示每次迭代時從數(shù)據(jù)集中隨機抽取的樣本批量大小。每次迭代時,隨機抓取batch_size個數(shù)據(jù)元素[S=s1,s2,?,sbatch_size],計算其加權(quán)平均值[Avg=][i=1batch_sizewi?sii=1batch_sizewi],再計算平均值[Avg]與K個簇中心的歐氏距離[D=d1,d2,?,dk],得到最小距離[mind1,d2,?,dk],將抓取的數(shù)據(jù)分配到距離最近的簇中。按照上述迭代方法,分別將正常特征庫和異常特征庫中的樣本劃分為大小均衡的K個簇,如圖4所示。

    (3)簇中心提取和權(quán)重分配。由步驟(2)得到K個簇,從每個簇中提取其簇中心作為該簇的代表樣本。假設(shè)第i個簇中含有m個數(shù)據(jù)元素[s1,s2,?,sm],每個元素對應(yīng)的權(quán)重分別為[w1,w2,?,wm],其簇中心[Ci=j=1mwj?sjj=1mwj],權(quán)重[Wi=j=1mwj]。按照上述方法計算得到K個簇中心[C1,C2,?,Ck]及其對應(yīng)權(quán)重[W1,W2,?,Wk],如圖5所示。

    (4)SVM分類。由步驟(3)得到K個簇中心及相應(yīng)權(quán)重,將其作為SVM分類器的訓(xùn)練數(shù)據(jù)和樣本權(quán)重,采用高斯徑向基函數(shù)作為SVM的核函數(shù),將線性不可分的樣本映射到高維特征空間,從而得到一個分類超平面[w?x-b=0],以及決策函數(shù)[fx=sgnw?x-b]。使用上述分類超平面,對待測樣本進行分類,如圖6所示。設(shè)待測樣本為[x=x1,x2,?,xn],計算[fx]。若[w?x-b>0],則該樣本屬于正常類別;若[w?x-b<0],則該樣本屬于異常本方案整個執(zhí)行流程如圖7所示。

    4 性能仿真

    4.1 仿真說明

    本方案的仿真數(shù)據(jù)采用UCI數(shù)據(jù)集中的KDD99[19-21],該數(shù)據(jù)是由美國國防部高級規(guī)劃署在MIT林肯實驗室模擬的美國空軍局域網(wǎng)的一個網(wǎng)絡(luò)環(huán)境中經(jīng)過9周時間,仿真各種用戶類型、各種不同的網(wǎng)絡(luò)流量和攻擊手段收集而來的數(shù)據(jù)集,是目前公認的入侵檢測數(shù)據(jù)集。本文使用10%的數(shù)據(jù)集作為測試數(shù)據(jù),共有近50萬條,包含正常數(shù)據(jù)和異常數(shù)據(jù)兩大類數(shù)據(jù)集,其中異常數(shù)據(jù)集分為DoS(Denial of Service)、U2R(User to Root)、R2L(Remote to User)和Probe 4類攻擊數(shù)據(jù)。本方案所使用的實驗環(huán)境為Windows 10系統(tǒng)、i5處理器,4核CPU,8G內(nèi)存。

    首先需對數(shù)據(jù)進行預(yù)處理,使用出現(xiàn)頻率最高的數(shù)值填補缺失值,對于標稱型數(shù)據(jù),根據(jù)其取值在取值空間中的頻率,將其量化到[0,1]區(qū)間。對數(shù)據(jù)進行PCA降維處理,去除部分沒有價值的屬性,再對所有屬性進行Z-score中心化處理。處理方式如式(11)。

    其中,mean表示每個屬性的均值,varience表示屬性的標準差。中心化處理是為了避免計算歐式距離時大數(shù)吃小數(shù)的問題。

    4.2 結(jié)果分析

    4.2.1 聚類效果分析

    在給定相同數(shù)量數(shù)據(jù)樣本情況下,分別使用K-Means和Mini Batch K-Means方案對樣本進行聚類。圖8為兩種算法的收斂時間對比,圖9為聚類適應(yīng)度inertia對比。收斂時間表示聚類時長,inertia為各樣本到其所屬類中心的距離平方和,是代表聚類適應(yīng)度的指標,計算如式(4)所示,inertia越小,聚類效果越好。

    由圖8可以看出,Mini Batch K-Means方案的收斂時間遠小于K-Means,因為前者在每次迭代過程中都是抓取一個批量的樣本集進行劃分,而K-Means每次只針對一個樣本進行聚類,樣本集越大,兩者對比越明顯。

    由圖9可以看出,Mini Batch K-Means的聚類適應(yīng)度inertia只稍大于K-Means,結(jié)合圖8可知,Mini Batch K-Means在基本不影響聚類效果的情況下顯著提高了收斂速度。

    4.2.2 入侵檢測結(jié)果分析

    表1給出了本方案的仿真結(jié)果,表中4列分別表示測試樣本的攻擊類型、用于測試的樣本總數(shù)、從總樣本中檢測出的正確樣本數(shù)量以及各種攻擊類型的檢測百分比。由表1可知,本方案對各種攻擊樣本都有比較良好的檢測效果。

    本方案使用聚類中心作為一個類的代表樣本,即將相似度較高的樣本融合成一個樣本,再賦予權(quán)重,從而降低大樣本集所帶來的耗時影響。因此,聚類簇數(shù)的大小對檢測精度會有一定影響。圖10為不同聚類簇數(shù)下本方案的檢測率。結(jié)果表明,聚類簇數(shù)越大,準確率越高。但是,聚類簇數(shù)的增加,也會直接影響聚類時長,圖11為不同聚類簇數(shù)的大小對檢測時間的影響。結(jié)果表明,聚類簇數(shù)越大,入侵檢測的時間開銷也越大。

    結(jié)合圖10和圖11可知,增加聚類簇數(shù),可以增加檢測精度,但同時也會加長數(shù)據(jù)訓(xùn)練時間。因此,需要經(jīng)過不同參數(shù)驗證,得到一個最合適的聚類簇數(shù),使得本方案既有一個良好的檢測率,又不會明顯增加時間開銷。此處通過實驗選擇1 000作為較為合適的聚類簇數(shù)。

    表2給出了本方案與K-Means、KNN、加權(quán)KNN、SVM 4種方案在相同測試樣本下的檢測率對比,由表2可知,相對于其它幾種方案,本方案具有更高的檢測率和更低的誤檢率。

    圖12顯示了本方案與SVM算法在相同訓(xùn)練樣本數(shù)量下的檢測率比較。由圖12可知,本方案的檢測率稍低于SVM的檢測率。

    圖13為本方案與SVM算法在相同訓(xùn)練樣本數(shù)量下檢測所耗費時長對比。由圖13可知,本方案的時間開銷明顯低于SVM算法。

    綜合圖12和圖13可知,本方案在保證理想檢測率的前提下,顯著提高了大樣本集下的檢測速度。

    5 結(jié)語

    本文針對傳統(tǒng)數(shù)據(jù)挖掘算法在分析大樣本集時耗時較大、效率較低的問題,提出了一種基于Mini Batch K-Means和SVM的入侵檢測算法。利用Mini Batch K-Means算法分別對正常行為特征庫和異常行為特征庫快速聚類,取得類中心作為SVM分類器的訓(xùn)練樣本,得到分類超平面對待測樣本作出判斷。仿真結(jié)果表明,本方案在時間開銷上具有明顯優(yōu)勢,并且具有理想的檢測效果。但該算法仍存在無法識別出具體攻擊類型的缺陷,有待今后進一步研究。

    參考文獻:

    [1]鐘敦昊, 張冬梅, 張玉. 一種基于相似度計算的無線傳感器網(wǎng)絡(luò)入侵檢測方法[J]. 信息網(wǎng)絡(luò)安全, 2016(2):22-27.

    [2]陶莉,孫子文. 無線傳感器網(wǎng)絡(luò)KIPSO欺騙攻擊檢測模型[J].? 傳感技術(shù)學(xué)報, 2016, 29(7):1049-1055.

    [3]WANG W, WANG Z. Anti-Sybil attack MPRR-RSSI localization algorithm in wireless sensor networks[J]. Journal of Electronic Measurement & Instrumentation, 2016.

    [4]MA Z,KABAN A. K-Nearest-Neighbours with a novel similarity measure for intrusion detection[C]. 2013 13th UK Workshop on Computational Intelligence, 2013:266-271.

    [5]JAMSHIDI Y,NEZAMABADI-POUR H. A Lattice based nearest neighbor classifier for anomaly intrusion detection[J]. International Journal Of Applied Mathematics And Computer Science,2013(4):51-60.

    [6]劉華春,候向?qū)?,楊? 基于改進K均值算法的入侵檢測系統(tǒng)設(shè)計[J]. 計算機技術(shù)與發(fā)展,2016(1):101-105.

    [7]ZHANG S, ZHANG S, JIN Z, et al. A novel SVM by combining kernel principal component analysis and improved chaotic particle swarm optimization for intrusion detection[J].? Soft Computing,2015,19(5):1187-1199.

    [8]華輝有,陳啟買,劉海,等. 一種融合Kmeans和KNN的網(wǎng)絡(luò)入侵檢測算法[J]. 計算機科學(xué), 2016, 43(3):158-162.

    [9]王倩. 基于數(shù)據(jù)挖掘的入侵檢測技術(shù)的研究與實現(xiàn)[D]. 北京:北京郵電大學(xué),2017.

    [10]郭春. 基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)入侵檢測關(guān)鍵技術(shù)研究[D]. 北京:北京郵電大學(xué), 2014.

    [11]JOKAR P,LEUNG V. Intrusion detection and prevention for ZigBee-based home area networks in smart grids[J]. IEEE Transactions on Smart Grid,2016, (99):1-1.

    [12]趙石真. 基于SVM的k-means聚類算法在WSN入侵檢測中的應(yīng)用[D]. 成都:西華大學(xué),2016.

    [13]BUCZAK A, GUVEN E. A survey of data mining and machine learning methods for cyber security intrusion detection[J]. IEEE Communication Survey and Tutorials, 2017(18): 1153-1176.

    [14]ARIAFAR E,KIANI R. Intrusion detection system using an optimized framework based on data mining techniques[C]. Proceedings IEEE International Conference on Knowledge-Based Engineering and Innovation,2017:785-791.

    [15]PENG K, LEUNG V C M, HUANG Q. Clustering approach based on mini batch kmeans for intrusion detection system over big data[J].? IEEE Access, 2018(6):11897-11906.

    [16]SCULLEY D.Web-scale K-means clustering[C]. Proceedings 19th International Conference on World Wide Web,2010: 1177-1178.

    [17]MOHAMMED J ZAKI, WAGNER MEIRA JR. 數(shù)據(jù)挖掘與分析:概念與算法[M]. 北京:人民郵電出版社,2017:445-474.

    [18]張曉峰. 基于聚類和支持向量機的入侵檢測方法研究[D].? 蘭州:蘭州理工大學(xué),2018.

    [19]TAVALLAEE M, BAGHERI E, LU W, et al. A detailed analysis of the KDD CUP 99 data set[C]. IEEE International Conference on Computational Intelligence for Security and Defense Applications, 2009:53-58.

    [20]張新有,曾華燊,賈磊. 入侵檢測數(shù)據(jù)集KDD CUP99研究[J].? 計算機工程與設(shè)計,2010,31(22):4809-4812.

    [21]ENGEN V,VINCENT J,PHALP K. Exploring discrepancies in findings obtained with the KDD Cup '99 data set[J]. Intelligent Data Analysis, 2011,15(2):251-276.

    (責(zé)任編輯:孫 娟)

    收稿日期:2019-05-30

    基金項目:浙江省自然科學(xué)基金項目(LY19F020039);之江實驗室重大科研項目(2019DH0ZX01)

    作者簡介:歐陽瀟琴(1993-),女,杭州電子科技大學(xué)通信工程學(xué)院碩士研究生,研究方向為傳感器網(wǎng)絡(luò)安全、計算機網(wǎng)絡(luò)安全;王秋華(1978-),女,杭州電子科技大學(xué)網(wǎng)絡(luò)空間安全學(xué)院副教授,研究方向為傳感器網(wǎng)絡(luò)安全、計算機網(wǎng)絡(luò)安全、安全密鑰管理。

    猜你喜歡
    入侵檢測無線傳感器網(wǎng)絡(luò)
    多Agent的創(chuàng)新網(wǎng)絡(luò)入侵檢測方法仿真研究
    基于入侵檢測的數(shù)據(jù)流挖掘和識別技術(shù)應(yīng)用
    藝術(shù)類院校高效存儲系統(tǒng)的設(shè)計
    基于無線傳感器網(wǎng)絡(luò)的綠色蔬菜生長環(huán)境監(jiān)控系統(tǒng)設(shè)計與實現(xiàn)
    基于網(wǎng)絡(luò)規(guī)劃識別的入侵檢測結(jié)構(gòu)
    基于無線傳感器網(wǎng)絡(luò)的葡萄生長環(huán)境測控系統(tǒng)設(shè)計與應(yīng)用
    一種改進的基于RSSI最小二乘法和擬牛頓法的WSN節(jié)點定位算法
    無線傳感器網(wǎng)絡(luò)定位技術(shù)可靠性分析
    基于關(guān)聯(lián)規(guī)則的計算機入侵檢測方法
    對無線傳感器網(wǎng)絡(luò)MAC層協(xié)議優(yōu)化的研究與設(shè)計
    科技視界(2016年22期)2016-10-18 15:25:08
    女人爽到高潮嗷嗷叫在线视频| 精品一区二区三卡| 下体分泌物呈黄色| 美国免费a级毛片| 国产成人精品久久二区二区免费| 亚洲av男天堂| 亚洲国产av新网站| 国产熟女午夜一区二区三区| 91国产中文字幕| 国产精品 国内视频| 狠狠婷婷综合久久久久久88av| 亚洲人成77777在线视频| 美女脱内裤让男人舔精品视频| 久久女婷五月综合色啪小说| 久久av网站| 国产精品九九99| 亚洲精品美女久久av网站| www.av在线官网国产| 最近中文字幕2019免费版| 黄频高清免费视频| 久久人妻熟女aⅴ| 美女脱内裤让男人舔精品视频| 亚洲九九香蕉| 美女高潮到喷水免费观看| 国产欧美日韩精品亚洲av| 亚洲精品美女久久久久99蜜臀 | 亚洲国产精品999| 国产亚洲精品久久久久5区| 欧美激情极品国产一区二区三区| 岛国毛片在线播放| 女人久久www免费人成看片| 美女高潮到喷水免费观看| 亚洲精品美女久久av网站| 久久鲁丝午夜福利片| 国产97色在线日韩免费| 午夜精品国产一区二区电影| 日韩一区二区三区影片| 热re99久久精品国产66热6| 婷婷色av中文字幕| 欧美日韩黄片免| 国产日韩欧美视频二区| 亚洲三区欧美一区| 秋霞在线观看毛片| 天堂俺去俺来也www色官网| 婷婷色av中文字幕| 自线自在国产av| 99热全是精品| 一级黄片播放器| 国产无遮挡羞羞视频在线观看| 妹子高潮喷水视频| 999精品在线视频| 国产成人欧美| 少妇粗大呻吟视频| 欧美成人精品欧美一级黄| 少妇粗大呻吟视频| 91九色精品人成在线观看| 99国产精品99久久久久| 亚洲av男天堂| 亚洲欧洲日产国产| 男女高潮啪啪啪动态图| 丰满人妻熟妇乱又伦精品不卡| 成人影院久久| 国产成人av激情在线播放| 久久精品久久精品一区二区三区| 高清不卡的av网站| 欧美乱码精品一区二区三区| 老司机深夜福利视频在线观看 | 日日爽夜夜爽网站| 真人做人爱边吃奶动态| 9191精品国产免费久久| 天堂8中文在线网| 久久99热这里只频精品6学生| 9191精品国产免费久久| a 毛片基地| 亚洲精品国产区一区二| 欧美+亚洲+日韩+国产| 国产日韩欧美在线精品| 人妻 亚洲 视频| 19禁男女啪啪无遮挡网站| 黄频高清免费视频| 欧美激情高清一区二区三区| 国产免费福利视频在线观看| 国产女主播在线喷水免费视频网站| 婷婷色麻豆天堂久久| 69精品国产乱码久久久| 日本vs欧美在线观看视频| 91麻豆av在线| 精品第一国产精品| 久久国产亚洲av麻豆专区| 国产老妇伦熟女老妇高清| 性色av一级| 好男人电影高清在线观看| 91成人精品电影| 午夜免费男女啪啪视频观看| 国产亚洲欧美在线一区二区| 亚洲欧美一区二区三区黑人| 波多野结衣一区麻豆| av片东京热男人的天堂| 亚洲国产欧美在线一区| 国产一区二区 视频在线| 一区二区三区四区激情视频| 国产免费一区二区三区四区乱码| 水蜜桃什么品种好| 国产无遮挡羞羞视频在线观看| 新久久久久国产一级毛片| 亚洲视频免费观看视频| 性高湖久久久久久久久免费观看| 久久精品国产亚洲av高清一级| 亚洲人成电影观看| av福利片在线| 亚洲综合色网址| 亚洲av电影在线观看一区二区三区| 日日爽夜夜爽网站| 亚洲一区中文字幕在线| 美女视频免费永久观看网站| 国产精品香港三级国产av潘金莲 | 各种免费的搞黄视频| 久久影院123| 欧美乱码精品一区二区三区| 亚洲欧美中文字幕日韩二区| 另类精品久久| 午夜影院在线不卡| 另类亚洲欧美激情| 波野结衣二区三区在线| 中国美女看黄片| 最黄视频免费看| 国产男人的电影天堂91| 91老司机精品| 婷婷色综合www| 午夜两性在线视频| 涩涩av久久男人的天堂| 成年动漫av网址| 亚洲成色77777| 如日韩欧美国产精品一区二区三区| 久久久国产一区二区| 国产av国产精品国产| 国产精品一区二区精品视频观看| 精品亚洲成国产av| www.av在线官网国产| 精品久久久久久久毛片微露脸 | av欧美777| 亚洲九九香蕉| 麻豆国产av国片精品| 欧美黄色淫秽网站| 日韩av免费高清视频| 在线观看免费高清a一片| 国产精品一区二区精品视频观看| 成人国产一区最新在线观看 | 黑人猛操日本美女一级片| 脱女人内裤的视频| 亚洲欧美日韩另类电影网站| 久久国产精品男人的天堂亚洲| av视频免费观看在线观看| 久久国产精品大桥未久av| 日韩av在线免费看完整版不卡| 精品国产一区二区久久| 脱女人内裤的视频| 欧美亚洲日本最大视频资源| 国产淫语在线视频| 亚洲人成77777在线视频| 国产精品久久久久久人妻精品电影 | 亚洲人成电影免费在线| 夫妻午夜视频| 精品卡一卡二卡四卡免费| 一区二区三区激情视频| 国产免费又黄又爽又色| 国产男女超爽视频在线观看| 免费观看a级毛片全部| www.精华液| 美女福利国产在线| a 毛片基地| 久久久国产欧美日韩av| 啦啦啦 在线观看视频| 日本vs欧美在线观看视频| 搡老乐熟女国产| 99国产精品一区二区三区| 国产深夜福利视频在线观看| 欧美老熟妇乱子伦牲交| 天堂中文最新版在线下载| 男人操女人黄网站| 国产精品欧美亚洲77777| 欧美性长视频在线观看| 午夜视频精品福利| a级片在线免费高清观看视频| 午夜福利在线免费观看网站| 国产精品成人在线| 欧美另类一区| 最近手机中文字幕大全| 亚洲成人免费电影在线观看 | 国产在线一区二区三区精| 赤兔流量卡办理| 视频区欧美日本亚洲| 亚洲人成电影观看| 亚洲欧洲日产国产| 一本大道久久a久久精品| 中文字幕亚洲精品专区| 少妇被粗大的猛进出69影院| 色网站视频免费| 日本色播在线视频| 亚洲国产精品一区三区| a级毛片黄视频| 精品亚洲成a人片在线观看| av有码第一页| 国产成人影院久久av| 亚洲成国产人片在线观看| 日日夜夜操网爽| 免费看av在线观看网站| 国产精品久久久人人做人人爽| 狠狠婷婷综合久久久久久88av| 久9热在线精品视频| 伦理电影免费视频| 一二三四在线观看免费中文在| 亚洲国产看品久久| 国产男女超爽视频在线观看| 久久精品亚洲av国产电影网| 久久ye,这里只有精品| 亚洲精品一卡2卡三卡4卡5卡 | 国产精品99久久99久久久不卡| 极品少妇高潮喷水抽搐| 亚洲国产日韩一区二区| 成人黄色视频免费在线看| 青春草亚洲视频在线观看| 国产精品一区二区精品视频观看| 午夜精品国产一区二区电影| 91成人精品电影| 女人久久www免费人成看片| 欧美激情极品国产一区二区三区| 波多野结衣一区麻豆| 搡老乐熟女国产| 久久国产精品影院| 人妻 亚洲 视频| 亚洲av欧美aⅴ国产| 成年女人毛片免费观看观看9 | 热re99久久国产66热| 在线亚洲精品国产二区图片欧美| 高清视频免费观看一区二区| 久久99精品国语久久久| 中国国产av一级| 亚洲熟女毛片儿| 亚洲第一青青草原| 亚洲五月婷婷丁香| 亚洲国产精品一区三区| 一区二区三区激情视频| 另类亚洲欧美激情| 中国美女看黄片| 人人澡人人妻人| 另类精品久久| 黄色视频不卡| 日韩伦理黄色片| 免费一级毛片在线播放高清视频 | 这个男人来自地球电影免费观看| xxx大片免费视频| av不卡在线播放| 国产精品麻豆人妻色哟哟久久| 国产伦人伦偷精品视频| 国产成人欧美在线观看 | 国产亚洲精品第一综合不卡| 国产精品av久久久久免费| 国产极品粉嫩免费观看在线| av国产精品久久久久影院| 精品国产超薄肉色丝袜足j| 人妻一区二区av| 又大又黄又爽视频免费| 在线观看免费高清a一片| 亚洲精品第二区| 久久久欧美国产精品| 色精品久久人妻99蜜桃| 伦理电影免费视频| 一边摸一边做爽爽视频免费| 亚洲av美国av| www.av在线官网国产| tube8黄色片| 免费观看人在逋| 十八禁人妻一区二区| 日韩视频在线欧美| 少妇裸体淫交视频免费看高清 | 久热这里只有精品99| 久久99一区二区三区| 久久久国产一区二区| 美女国产高潮福利片在线看| 午夜影院在线不卡| 久久99一区二区三区| 高清av免费在线| 99热全是精品| 久久精品国产亚洲av涩爱| 国产成人av教育| 国产成人精品久久二区二区免费| 精品人妻1区二区| 免费观看人在逋| 桃花免费在线播放| 国产精品久久久久久精品电影小说| 亚洲人成网站在线观看播放| 十八禁人妻一区二区| 校园人妻丝袜中文字幕| 午夜精品国产一区二区电影| 19禁男女啪啪无遮挡网站| 精品熟女少妇八av免费久了| 久久精品久久精品一区二区三区| 亚洲精品国产区一区二| 久久久国产精品麻豆| 久久久久久亚洲精品国产蜜桃av| 欧美性长视频在线观看| 日韩电影二区| 成人手机av| 午夜福利视频精品| 国产亚洲av片在线观看秒播厂| 大型av网站在线播放| 一级毛片电影观看| 中文字幕制服av| 国产亚洲精品久久久久5区| 丰满人妻熟妇乱又伦精品不卡| 亚洲成人免费电影在线观看 | 久久影院123| 少妇粗大呻吟视频| 香蕉丝袜av| 少妇人妻 视频| 午夜免费鲁丝| 亚洲伊人色综图| 99国产精品一区二区蜜桃av | 精品福利观看| 国产精品二区激情视频| 亚洲人成电影免费在线| 一本综合久久免费| 久久久欧美国产精品| 国产精品一国产av| 大片免费播放器 马上看| 国产xxxxx性猛交| 电影成人av| 在线观看国产h片| 伊人久久大香线蕉亚洲五| 狠狠婷婷综合久久久久久88av| 欧美中文综合在线视频| 一级黄片播放器| 国产三级黄色录像| 狂野欧美激情性xxxx| 黄色视频在线播放观看不卡| 国产91精品成人一区二区三区 | 青春草视频在线免费观看| 国产成人精品久久二区二区91| 一边亲一边摸免费视频| 国产无遮挡羞羞视频在线观看| 国产精品久久久久成人av| 日韩精品免费视频一区二区三区| 久久精品亚洲av国产电影网| 男男h啪啪无遮挡| 国产日韩欧美在线精品| 中文欧美无线码| 黑人巨大精品欧美一区二区蜜桃| 亚洲一码二码三码区别大吗| 两个人看的免费小视频| 亚洲伊人色综图| 交换朋友夫妻互换小说| 久久99热这里只频精品6学生| 亚洲国产毛片av蜜桃av| a级毛片在线看网站| 国精品久久久久久国模美| videos熟女内射| 一级片免费观看大全| 99国产精品99久久久久| 日本欧美视频一区| 十八禁人妻一区二区| 99久久99久久久精品蜜桃| 欧美变态另类bdsm刘玥| 日韩制服骚丝袜av| 亚洲欧美精品综合一区二区三区| 老汉色av国产亚洲站长工具| 各种免费的搞黄视频| 丰满饥渴人妻一区二区三| 精品国产乱码久久久久久男人| 久久热在线av| 伊人久久大香线蕉亚洲五| 麻豆av在线久日| 大片免费播放器 马上看| 80岁老熟妇乱子伦牲交| 一区二区av电影网| 五月天丁香电影| 亚洲中文av在线| 激情五月婷婷亚洲| 亚洲精品一区蜜桃| 男的添女的下面高潮视频| 久久久久久久久免费视频了| 国产免费又黄又爽又色| 观看av在线不卡| 水蜜桃什么品种好| 午夜福利在线免费观看网站| 男女高潮啪啪啪动态图| 亚洲图色成人| 国产精品国产三级专区第一集| 丰满少妇做爰视频| 欧美激情 高清一区二区三区| 国产精品亚洲av一区麻豆| 久久精品久久久久久久性| 免费观看av网站的网址| 亚洲av电影在线观看一区二区三区| 男人添女人高潮全过程视频| 午夜老司机福利片| 亚洲专区国产一区二区| 久久女婷五月综合色啪小说| 久久久久精品国产欧美久久久 | 日韩熟女老妇一区二区性免费视频| 国产男女内射视频| 99久久人妻综合| 欧美亚洲 丝袜 人妻 在线| 亚洲自偷自拍图片 自拍| 日韩,欧美,国产一区二区三区| 国产精品欧美亚洲77777| 91成人精品电影| 国产精品一国产av| 97人妻天天添夜夜摸| 精品国产一区二区三区久久久樱花| 国产一区二区 视频在线| 国产又爽黄色视频| 99精品久久久久人妻精品| 午夜激情av网站| 亚洲欧美一区二区三区黑人| 亚洲色图综合在线观看| 80岁老熟妇乱子伦牲交| 丝袜美腿诱惑在线| 亚洲欧洲精品一区二区精品久久久| 91字幕亚洲| 国产女主播在线喷水免费视频网站| 精品高清国产在线一区| 久久毛片免费看一区二区三区| 国产成人91sexporn| 亚洲三区欧美一区| 国产伦人伦偷精品视频| 天堂8中文在线网| 午夜福利乱码中文字幕| 日韩制服骚丝袜av| 热re99久久精品国产66热6| 老鸭窝网址在线观看| 亚洲自偷自拍图片 自拍| 99re6热这里在线精品视频| 夫妻午夜视频| 在线观看一区二区三区激情| 日本色播在线视频| 97精品久久久久久久久久精品| 大型av网站在线播放| 丝袜美足系列| 人妻一区二区av| 欧美国产精品一级二级三级| 丁香六月天网| 亚洲色图 男人天堂 中文字幕| 国产精品免费视频内射| 免费女性裸体啪啪无遮挡网站| 在线观看免费高清a一片| 欧美黄色片欧美黄色片| 国产精品免费大片| 午夜福利视频在线观看免费| 国产熟女午夜一区二区三区| 亚洲精品第二区| 欧美精品一区二区大全| 99久久综合免费| 国产欧美日韩精品亚洲av| 精品一区在线观看国产| 国产野战对白在线观看| 一区二区av电影网| 国产成人欧美| 青草久久国产| 午夜激情av网站| 久久人妻福利社区极品人妻图片 | 亚洲av美国av| 久久午夜综合久久蜜桃| 午夜福利乱码中文字幕| 少妇的丰满在线观看| 国产在线一区二区三区精| 日本色播在线视频| 麻豆乱淫一区二区| 一级片免费观看大全| 夜夜骑夜夜射夜夜干| 亚洲av日韩精品久久久久久密 | 精品一区在线观看国产| 亚洲三区欧美一区| cao死你这个sao货| 不卡av一区二区三区| 午夜福利在线免费观看网站| 黄色毛片三级朝国网站| 久久天堂一区二区三区四区| www.精华液| 国产精品香港三级国产av潘金莲 | 午夜影院在线不卡| 99久久精品国产亚洲精品| 亚洲精品国产av蜜桃| 制服诱惑二区| 啦啦啦啦在线视频资源| 久久精品成人免费网站| 美女国产高潮福利片在线看| 成年美女黄网站色视频大全免费| 亚洲国产最新在线播放| 成人亚洲精品一区在线观看| 91老司机精品| 熟女av电影| 中文字幕最新亚洲高清| 考比视频在线观看| www.精华液| 国产淫语在线视频| 国产精品人妻久久久影院| 丝袜喷水一区| 亚洲国产av影院在线观看| 悠悠久久av| 在线观看免费日韩欧美大片| 麻豆乱淫一区二区| 老鸭窝网址在线观看| 亚洲午夜精品一区,二区,三区| 欧美xxⅹ黑人| 一本综合久久免费| 欧美激情高清一区二区三区| 精品少妇内射三级| 久久久国产精品麻豆| 国产免费视频播放在线视频| 九草在线视频观看| 亚洲,一卡二卡三卡| av有码第一页| 99国产精品99久久久久| 国产精品九九99| 亚洲国产精品一区三区| 尾随美女入室| 国产视频首页在线观看| 热re99久久精品国产66热6| 国产精品香港三级国产av潘金莲 | 我的亚洲天堂| 嫩草影视91久久| 久久人妻熟女aⅴ| 国产亚洲欧美在线一区二区| 久久av网站| bbb黄色大片| 不卡av一区二区三区| 久久久久国产一级毛片高清牌| 午夜激情av网站| 女人久久www免费人成看片| 啦啦啦在线观看免费高清www| 国产亚洲一区二区精品| 精品久久久久久久毛片微露脸 | 国产精品香港三级国产av潘金莲 | 午夜福利影视在线免费观看| kizo精华| 国产精品亚洲av一区麻豆| 在线观看www视频免费| 久久中文字幕一级| 国产高清videossex| 女人高潮潮喷娇喘18禁视频| 精品福利永久在线观看| 99国产精品99久久久久| 另类亚洲欧美激情| 亚洲伊人久久精品综合| 亚洲精品第二区| 国产有黄有色有爽视频| 精品一区在线观看国产| 亚洲av在线观看美女高潮| 视频在线观看一区二区三区| 9191精品国产免费久久| 欧美老熟妇乱子伦牲交| 少妇的丰满在线观看| 天堂俺去俺来也www色官网| 人体艺术视频欧美日本| 午夜福利影视在线免费观看| 免费女性裸体啪啪无遮挡网站| 久久精品亚洲熟妇少妇任你| 精品国产乱码久久久久久男人| 我要看黄色一级片免费的| 久久人妻熟女aⅴ| 老司机影院成人| 满18在线观看网站| 中文乱码字字幕精品一区二区三区| 99国产精品一区二区蜜桃av | 十八禁高潮呻吟视频| 亚洲免费av在线视频| 国产xxxxx性猛交| 亚洲欧洲日产国产| 免费看不卡的av| 免费在线观看日本一区| 黄色一级大片看看| 亚洲国产欧美网| 丝袜美腿诱惑在线| 国产精品久久久久久精品电影小说| 亚洲av欧美aⅴ国产| 一二三四在线观看免费中文在| 亚洲精品久久久久久婷婷小说| 国产无遮挡羞羞视频在线观看| 成人黄色视频免费在线看| 午夜精品国产一区二区电影| 国产成人一区二区三区免费视频网站 | 亚洲中文字幕日韩| 亚洲色图 男人天堂 中文字幕| 中文字幕制服av| 亚洲av成人精品一二三区| 天天躁狠狠躁夜夜躁狠狠躁| 少妇的丰满在线观看| 国产真人三级小视频在线观看| 亚洲国产中文字幕在线视频| 1024香蕉在线观看| 黄色怎么调成土黄色| 大香蕉久久网| 亚洲国产最新在线播放| 日本a在线网址| 精品少妇一区二区三区视频日本电影| 免费人妻精品一区二区三区视频| 精品国产超薄肉色丝袜足j| 精品熟女少妇八av免费久了| 极品少妇高潮喷水抽搐| 自拍欧美九色日韩亚洲蝌蚪91| 国产免费又黄又爽又色| 免费久久久久久久精品成人欧美视频| 人妻 亚洲 视频| 黑人欧美特级aaaaaa片| 亚洲中文av在线| 一本大道久久a久久精品| 欧美精品一区二区大全| 亚洲欧美激情在线| 国产极品粉嫩免费观看在线| 日本91视频免费播放| 国产精品免费大片| 男女床上黄色一级片免费看| 大片免费播放器 马上看| 大话2 男鬼变身卡|