改进了密度峰值集群,具有灵活的分流距离和用于网络入侵检测的自然最近邻居
Hongbo Wang1,2, Jinyu Zhang3, Yu Shen3
1School of Computer and Communication Engineering, University of Science and Technology Beijing, Beijing, 100083, China. foreverwhb@ustb.edu.cn.
Scientific reports
|March 13, 2025
概括
密度峰集群与多重距离和自然近邻 (DPC-MDNN) 通过考虑局部密度和减少错误来改善集群. 这种新的算法提高了识别集群和检测网络入侵的准确性.
科学领域:
- 数据挖掘和机器学习
- 计算统计学 计算统计学
- 网络安全 网络安全
背景情况:
- 密度峰集群 (DPC) 是有效的确定集群数量和识别异常.
- 传统的DPC与局部密度变化作斗争,并且可以在点分配中表现出多米诺效应.
- 在 DPC 中的全球分布分析限制了其对复杂数据集的性能.
研究的目的:
- 引入一个新的密度峰集群算法,DPC-MDNN,解决传统DPC的局限性.
- 通过结合多重距离和自然最近邻居来提高聚类准确性.
- 改进异常检测和网络入侵检测能力.
主要方法:
- 开发了基于多重距离和自然近邻 (DPC-MDNN) 的密度峰值集群.
- 使用多重距离建立最近邻居关系.
- 实施基于局部密度的代表点和与微集群合并的代表候选人分配策略.
主要成果:
- 与五种竞争方法相比,DPC-MDNN在识别集群中心方面表现优越.
- 该算法在人工和现实数据集上实现了更准确的集群结果.
- 广泛的比较验证了DPC-MDNN的有效性和稳定性.
结论:
- DPC-MDNN有效地克服了传统DPC的局限性,特别是在处理群体密度和多米诺效应方面.
- 增强的集群精度转化为在实际应用中提高性能,如网络入侵检测.
- DPC-MDNN提供了一种更准确,更实用的方法来聚类复杂的数据.


