网络异常检测的无监督聚类方法.doc

文档介绍：:..workanomalydetection__文献阅读笔记论文:网络异常检测的无监督聚类方法本文描述了无监督聚类方法在检测未知的网络入佼或攻击方面的应川。给出了五种聚类算法和它们在实际情况中的具体表现。五种聚类算法分别是:k-Means算法,改进的k-Means算法,k-Medoids算法,EM聚类法和基于距离的孤立点检测法。1k-Meansk-Means是机器学习屮最简单的一种聚类算法,算法需要事先定好类别的个数K,第一步是选择K个实例集合作为聚合质心,通常每个集合选择一个实例即付,尽可能远的能使每个类别分开。具体算法如下:(k)-5untilthecentroidsdonotchange重复3-5步,直到聚心不再改变2k-Medoidsk-Medoids算法和k-Means类似,。k-Means算法对噪声和离群值比较健壮。具体算法如下:-medoidobject交换medoid和:||•:-efixed東复4-7步,直到medoids不再改变3EMClusteringExpectationMaximization(EM)clustering最大期望聚炎法是变种的k-Means算法,广泛使用在非监督聚类的数据点密度估计上。EM计算使数据的似然伉最大的参数,假定数裾由K个正态分布生成.,算法同时得到正态分布的方法和协方差。算法需要输入数据集、聚合的类别个数、