10.16208/j.issn1000-7024.2023.01.015
基于改进关联聚类算法的网络异常数据挖掘
为解决传统关联聚类算法挖掘网络异常数据时间复杂度高、精确度不理想等问题,提出Spark-MML聚类算法.为Apriori关联规则算法设计并行化频繁项集挖掘环境,使用兴趣度约束与支持度自适应策略挖掘网络数据特征量强关联规则;利用可变网格的局部离群点检测算法剔除K-means聚类离群点,基于最大最小距离确定聚类中心及数值K,将网络数据分为异常和非异常.测试结果表明,该方法避免聚类中心选取陷入局部最优,降低了异常数据挖掘的时间复杂度,有效节约算法运行空间,是一种可靠的网络异常数据挖掘方法.
关联规则、兴趣度、离群点、聚类、频繁项集、特征提取、异常数据
44
TP393(计算技术、计算机技术)
国家社会科学基金21BTJ057
2023-02-10(万方平台首次上网日期,不代表论文的发表时间)
共8页
108-115