数据挖掘中的异常检测算法研究与应用

第２８卷　

Ｖｏ１．２８　第ｌ４期　

ＮＯ．１４　计算机工程与设计　

Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｄｅｓｉｇｎ　２００７年７月　

Ｊｕｌｙ　２００７　

ＢＰ算法在数据挖掘中应用研究　

崔轩辉，　王　东　

（重庆科技学院网络中心，重庆４０００４２）　

摘要：探讨了数据挖掘数据技术的准备工作，由于神经网络方法的特殊性，数据准备更显得尤为重要。对标准的ＢＰ算法　

进行了研究，针对现有人工神经网络中ＢＰ算法效率较低、容易陷入局部极小等存在的问题，提出了一种改进的ＢＰ算法，并　

针对这种算法进行了“与”和“异或”问题中的分析测试。测试结果表明了改进的ＢＰ算法缩短了学习时间，提高了学习效率，　

并在一定程度上避免了学习中的局部极小问题。　

关键词：数据挖掘；人工神经网络；ＢＰ算法；模型；研究；测试　中图法分类号：ＴＰ３０１．６　文献标识码：Ａ　文章编号：１０００．７０２４（２００７）１４．３４６２－０４　

Ｓｔｕｄｙ　ａｎｄ　ａｐｐｌｉｃａｔｉｏｎｓ　ｏｆ　ＤＭ　ｂａｓｅｄ　ｏｎ　ＢＰ　ａｒｉｔｈｍｅｔｉｃ　

ＣＵＩ　Ｘｕａｎ—ｈｕｉ．　ＷＡＮＧ　Ｄｏｎｇ　

（Ｃｈｏｎｇｑｉｎｇ　Ｕｉｎｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｙ，Ｃｈｏｎｇｑｉｎｇ　４０００５０，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｆｉｒｓｔｌｙ，ｔｈｅ　ｐｒｅｐａｒａｔｉｏｎ　ｏｆＤＭ　ｔｅｃｈｎｏｌｏｇｙ　ｉｓ　ｒｅｓｅａｒｃｈｅｄ，ｂｅｃａｕｓｅ　ｏｆｔｈｅ　ｎｅｒｖｅ　ｎｅｔｗｏｒｋ　ｔｈｅ　ｍｅｔｈｏｄ’Ｓ　ｓｐｅｃｉａ１．Ｉｔ’Ｓ　ｉｍｐｏｒｔａｎｃｅ　ｆｏｒ　ｄａｔａ　ｐｒｅｐａｒａｔｉｏｎ．Ｔｈｅｎ　ｔｈｅ　ｓｔａｎｄａｒｄ　ＢＰ　ａｒｉｔｈｍｅｔｉｃ　ｉｓ　ｒｅｓｅａｒｃｈｅｄ，ｔｏ　ｔｈｅ　ｅｘｉｓｔｅｄ　ｐｒｏｂｌｅｍ　ｏｆ　ｓｔａｎｄａｒｄ　ＢＰ　ａｒｉｔｈｍｅｔｉｃ（ｉｎｅｆｆｉｃｉｅｎｔ　ａｎｄ　

ｅａｓｙ　ｇｅｔｔｉｎｇ　ｉｎｔｏ　ｌｏｃａｌ　ｍｉｎｉｍｕｍ），ａｎ　ｉｍｐｒｏｖｅｄ　ＢＰ　ａｒｉｔｈｍｅｔｉｃ　ｉｓ　ｐｕｔ　ｆｏｒｗａｒｄ．Ｉｔ　ｉｓ　ｒｅａｓｏｎｅｄ　ｎｏｔ　ｏｎｌｙ　ｉｎ　ｔｈｅｏｒｉｅｓ，ｂｕｔ　ａｌｓｏ　ｉｎ　ｅｘｐｅｒｉｍｅｎｔｓ　

算法分析　瓣　Ｉ羲字技术　＿＿十ｆ　謦　浅析数据挖掘算法在入侵检测中的应用　朱岩　（西安文理学院计算机科学系陕西西安７１００６５１　摘要：随着互联网的高速发展，计算机网络在现代社会中扮演了日益重要的角色，它们也因此成为许多恶意攻击者攻击的对象。因此，无论是　商业还是政府机构，对入侵行为的察觉和防护成为一个日益迫切的需求。目前应用于异常检测的方法有统计方法、神经网络、专家系统、数据挖　掘等。基于数据挖掘等。本文采用了一种基于关联规则的数据挖掘算法来分析入侵检测系统数据库来检测出攻击事件。对于异常检测，主要研　究了分类算法；对于误用检测，主要研究了模式比较和聚类算法，在模式比较中又以关联规则和序列规则为重点研究对象。最后对目前数据挖　掘算法在入侵检测中应用所面临的难点进行了分析，并指明了今后的研究方向。　关键词：入侵检测数据挖掘分类算法算法实现应用　中图分类号：ＴＰ３９３．１　８　文献标识码：Ａ　文章编号：１００７—９４１６（２０１２）０３—００９８—０２　随着网络技术的快速发展，利用丰富的网络资源进行攻击的手　法千变万化，通过一些简单的操作就可以实施极具破坏力的攻击行　为，如何有效的检测并阻止这些攻击行为的发生成了目前计算机行　业被受关注的主题。目前最有效的的防护措施就是入侵检测。而入　侵检测技术是一种动态的防护策略，在一定程度上弥补了传统静态　策略的不足。　１、数据挖掘技术的介绍　数据挖掘技术是一个从大量的数据中提取出人们感兴趣的模　式的一种技术。数据挖掘的对象除了数据源、系统外，还包括从Ｗｅｂ　资源上获得的与数据有关的信息；另外数据挖掘的过程并不是一个　始终保持直线型的过程，而是一个具有螺旋上升、循环往复的过程。　数据挖掘通过对未来的发展趋势及行为的预测，基于相应的知识，　做出极具准确性的预测性。数据挖掘最终要实现的是从众多的数据　库中发现隐含的且理论极具有意义的知识。　２、入侵检测系统　入侵检测是计算机和信息安全方面的一个重要课题，它是一种　动态的安全保护方法，能主动寻找已经入侵计算机的信号，给网络　系统提供免受外部攻击、内部攻击和误操作的安全保障。入侵检测　通常分为一下三个部分：数据采集、数据分析以及系统响应。数据采　集主要是从网络系统中进行采集网络中相关的数据包、重要文件以　及与用户活动有关的数据等。数据分析则通过模式匹配、异常检测　和完整性检测三种技术手段对采集的数据进行分析。入侵检测系统　一旦发现入侵行为，立即会进入响应过程。　３、数据挖掘的功能　３．１关联分析　关联分析能寻找数据库的相关联系，常用的二种技术为关联规　则和序列模式。关联规则是发现一个事物与其他事物间的相互关联　性或相互依赖性，序列模式分析将重点放在分析数据之间的前后因　果关系。　３．２聚类　对已经输入的数据并没有任何类型标记，聚类就是数据按一定　的规则进行合理的集合，即将对象分成多个类或簇，使得在同一个　簇中的对象之间具有较高的相似度，而在不同簇中的对象差别却很　大。　３．３概念描述　对于数据库中庞杂的数据，人们期望以简洁的描述形式来描述　汇集的数据集。概念描述就是对某类对象的内涵进行描述并概括出　这类对象的有关特征。　３．４偏差检测　偏差包括很多潜在的知识。数据挖掘技术是最新引入到入侵检　测的技术。它的优越之处在于可以从大量的网络数据以及主机的日　志数据中提取出人们需要的、事先未知的知识和规律。利用数据挖　掘技术实现网络安全在国内外都属于一种新的尝试。目前，对数据　挖掘算法的研究已比较成熟。在入侵检测领域，我们将入侵检测看　作是一个数据的分析过程，对大量的安全数据应用特定的数据挖掘　算法，以达到建立一个具有自适应性以及良好的扩展性能的入侵检　测系统。　４、数据挖掘模块算法的实现　４．１数据预处理　入侵检测系统主要关注的是来自系统外部的攻击行为。然而，　大部分造成严重后果的系统入侵正是由内部攻击者引起的，因此通　过对基于内部用户行为模式的异常检测进行了相应的试验。在实验　中为了能够真正的适合数据挖掘的要求，首先对事先采集好的数据　进行预处理，从中抽取出一些重要的属性，并把重要的命令和参数　转化成相应的字母，之后进行预处理。　４．２通过采用加权关联规则来挖掘算法　加权关联规则技术引入的入侵检测系统可更精确地表示入侵　模式。这主要是考虑到了审计数据的时间效应。同时，使用加权关联　规则可以更加容易、有效地从各种各样的审计数据中发现出有用信　息。因此，加权关联规则技术比关联规则技术更加适合用来构建入　侵检测系统的入侵模块数据库。　５、数据挖掘在入侵检测当中的应用　５．１基于误用的检测模型　首先我们从网络或是主机上获取原始二进制的数据文件，再把　这些数据进行处理，转换成ＡＳＣＩＩ码表示的数据的分组形式。再经　过预处理模块将这些网络数据表示成连接记录的形式，完上面的工　作后，对上述的由特征属性组成的模式记录进行处理，总结出其中　的统计特征，最后，就可以进行下面的检测分析工作，利用分类算法　建立分类模型。最后才能根据各种不同的攻击方式或是不同的网络　服务确定最终的分类数据。　５．２　ＩＤ３、Ｃ４．５算法　ＩＤ３算法是一种基本的决策树生成算法，该算法不包括规则剪　除部分。Ｃ４．５算法作为ＩＤ３算法的后继版本，就加入了规则剪除部　分，使用训练样本来估计每个规则的准确率。对于已知的攻击类型　……

探讨数据挖掘算法在入侵检测中的应用

摘要：本文采用了一种基于关联规则的数据挖掘算法来分析入侵检测系统数据库来检测出攻击事件。对于异常检测，主要研究了分类算法；对于误用检测，主要研究了模式比较和聚类算法，在模式比较中又以关联规则和序列规则为重点研究对象。最后对目前数据挖掘算法在入侵检测中应用所面临的难点进行了分析，并指明了今后的研究方向。

关键词：入侵检测 数据挖掘 分类算法 算法实现 应用

随着网络技术的快速发展，利用丰富的网络资源进行攻击的手法千变万化，通过一些简单的操作就可以实施极具破坏力的攻击行为，如何有效的检测并阻止这些攻击行为的发生成了目前计算机行业被受关注的主题。目前最有效的的防护措施就是入侵检测。而入侵检测技术是一种动态的防护策略，在一定程度上弥补了传统静态策略的不足。

1、数据挖掘技术的介绍

数据挖掘技术是一个从大量的数据中提取出人们感兴趣的模式的一种技术。数据挖掘的对象除了数据源、系统外，还包括从web资源上获得的与数据有关的信息；另外数据挖掘的过程并不是一个始终保持直线型的过程，而是一个具有螺旋上升、循环往复的过程。数据挖掘通过对未来的发展趋势及行为的预测，基于相应的知识，做出极具准确性的预测性。数据挖掘最终要实现的是从众多的数据库中发现隐含的且理论极具有意义的知识。

2、入侵检测系统

入侵检测是计算机和信息安全方面的一个重要课题，它是一种动态的安全保护方法，能主动寻找已经入侵计算机的信号，给网络系统提供免受外部攻击、内部攻击和误操作的安全保障。入侵检测通常分为一下三个部分：数据采集、数据分析以及系统响应。数据采集主要是从网络系统中进行采集网络中相关的数据包、重要文件以及与用户活动有关的数据等。数据分析则通过模式匹配、异常检测和完整性检测三种技术手段对采集的数据进行分析。入侵检测系统一旦发现入侵行为，立即会进入响应过程。

3、数据挖掘的功能

龙源期刊网

数据挖掘算法在中药研究中的应用

作者：吴地尧 章新友 甘宇汾 于思婷

来源：《中国药房》2018年第19期

中图分类号 R28 文献标志码 A 文章编号 1001-0408（2018）19-2717-06

DOI 10.6039/j.issn.1001-0408.2018.19.28

摘 要 目的：为数据挖掘算法在中药研究中的进一步应用提供参考。方法：以“中药”“Apriori”“FP-growth”“层次聚类”“熵聚类”“决策树”“随机森林”“贝叶斯”“支持向量机”“人工神经网络”“logistic回归”“线性回归”等为关键词，组合查询2000年1月-2018年5月发表于中国知网、万方数据、维普网相关文献，对数据挖掘算法在中药研究各子领域中的应用现状进行综述。结果：共检索到相关有效文献573篇。数据挖掘算法较常应用在方剂配伍规律、药物分析、中药药性研究、制剂工艺研究等中药研究子领域，但在医案研究、谱效关系、量化诊断标准等子领域的应用较少。在各子领域中，以在方剂配伍规律研究中运用的数据挖掘算法种类最多，包括Apriori、FP-growth、层次聚类、熵聚类、决策树、人工神经网络、贝叶斯分类、logistic回归等，并以人工神经网络和支持向量机两种数据挖掘算法在中药研究各子领域中应用最广。结论：数据挖掘算法在中药研究各子领域中应用广泛，可为中药现代化研究提供有力的技术支持。

关键词 数据挖掘算法；中药研究；方剂配伍规律；药物分析；子领域

伴随着中药领域数据的暴涨[1]，中药数据挖掘应运而生。中药数据挖掘是在中医药理理论指导下，对中药新药、中药组方规律、作用机制、有效成分和组效关系等多个方面进行深入挖掘的研究[2]。数据挖掘算法是根据数据的需要，创建数据挖掘模型的一系列探索和计算的方法。探讨数据挖掘算法在中药研究中的应用现状既可以直观地阐述中药研究领域中各数据挖掘算法的使用现状，也能更详尽地了解数据挖掘算法应用的特点及领域，拓展数据挖掘算法在中药研究中的应用，为各算法的深入研究提供参考和借鉴。