[发明专利]基于量子蚁狮与k均值的聚类方法及入侵检测方法

说明书

本发明公开了一种基于量子蚁狮与k均值的聚类方法，包括如下步骤：S211、输入簇的数目k和数据集D；S212、将量子蚁狮算法输出的精英作为初始的簇中心；S213、将数据集中的其余对象分配到最相似的簇，最相似的簇的簇中心距对象距离最近；S214、将每个簇中的对象均值作为新的簇中心；S215、检测本轮形成的簇与前一轮形成的簇是否相同；S216、若检测结果为是，则输出k个簇的集合，若检测结果为否，则执行步骤S213。将量子机制与蚁狮优化算法相结合，并与k均值算法混合应用于聚类分析和入侵检测，有利于充分发挥各自算法的优势，进一步提高优化效率并提供更好的结果。

技术领域

本发明属于流量分类技术领域，更具体地，本发明涉及一种基于量子蚁狮与k均值的聚类方法及入侵检测方法。

背景技术

在互联网广泛连接的时代，网络安全作为一个无法回避的问题呈现在人们面前。随着计算机网络知识的普及，攻击者越来越多，攻击工具与手法日趋复杂多样，单纯的防火墙策略已经无法满足对安全高度敏感的部门的需要，网络的防卫必须采用一种纵深的、多样的手段。于是，入侵检测系统成为了网络安全专家学者研究热点之一。其中聚类算法广泛应用于入侵检测系统中。

聚类是基于某种相似性度量对一组对象进行分组的过程。聚类方法可分为划分方法、层次方法、基于网格的方法和基于密度的方法。k均值算法是常用的划分聚类方法，由于其计算简单而非常受欢迎，但是，k均值算法对初始簇中心很敏感，容易陷入局部最优，这是该算法的缺点。

发明内容

本发明提供一种量子蚁狮与k均值的聚类方法，旨在改善k均值算法在聚类问题上的缺陷。

本发明是这样实现的，一种基于量子蚁狮与k均值的聚类方法，所述方法具体包括如下步骤：

S21、输入簇的数目k和数据集D；

S22、将量子蚁狮算法输出的精英作为初始的簇中心；

S23、将数据集中的其余对象分配到最相似的簇，最相似的簇的簇中心距对象距离最近；

S24、将每个簇中的对象均值作为新的簇中心；

S25、检测本轮形成的簇与前一轮形成的簇是否相同；

S26、若检测结果为是，则输出k个簇的集合，若检测结果为否，则执行步骤S23。

进一步的，精英的获取方法具体包括如下步骤：

S221、初始化参数：种群大小ps，迭代次数t，最大迭代次数max；

S222、迭代次数t＝1时，双链量子编码种群，初始化蚂蚁和蚁狮的位置，计算蚂蚁和蚁狮的适应度并进行排序，选择具有最优适应度的蚁狮作为精英；

S223、判断t是否小于max；

S224、若判断结果为是，则迭代次数t＝t+1，并执行步骤S225，否则，执行步骤S228；

S225、量子旋转门更新种群编码，计算更新后的蚂蚁和蚁狮的适应度，将当前最优适应度的蚁狮与精英比较，若蚁狮的适应度优于精英，则将蚁狮更新为精英；

S226、使用轮盘赌方法选择一个蚁狮，蚂蚁的位置根据围绕所选的蚁狮和精英随机游走进行更新；

S227、计算所有蚂蚁的适应度值，若存在蚂蚁的适应度优于蚁狮，则将相应的蚂蚁替代蚁狮，若存在蚁狮的适应度优于精英，则将相应的蚁狮更新为精英，并返回步骤S223；

S228、输出精英。

进一步的，双链量子编码包括余弦编码q_c和正弦编码q_s，表示如下：