論文的研究內容包括兩個方面：一是研究新的高效的聚類算法;一是把已有的聚類算法或論文提出的新算法和入侵檢測技術相結合，從而提出一個好的入侵檢測模型。具體的研究內容包括以下幾個點：

　　第一、針對聚類算法的研究問題：

　　1、如何提高算法的可擴展性

　　許多聚類算法在小于200個數據對象的小數據集上是高效率的，但是無法處理一個大規(guī)模數據庫里的海量對象�，F有的聚類算法只有極少數適合處理大數據集，而且只能處理數值型數據對象，無法分析具有類屬性的數據對象。

　　2、如何處理離群點

　　在實際應用中，估計數據集中的離群點可能是非常困難的，很多算法通常丟棄增長緩慢的簇，這樣的簇趨向于代表離群點。然而在某些應用中，用戶可能對相對較小的簇比較感興趣，比如入侵檢測中，這些小的簇可能代表異常行為，那么我們需要考慮在對算法影響更小的前提下，如何更好的處理這些離群點。

　　3、研究適合具有類屬性數據的聚類算法的有效性

　　對聚類分析而言，有效性問題通�？梢赞D換為最佳類別數K的決策。而目前有關聚類算法的有效性分析，大都集中在對數值數據的聚類方式分析上。對于具有類屬性的數據聚類，還沒有行之有效的分析方法。

　　第二、針對聚類算法在IDS應用中的研究問題：

　　1、如何結合聚類技術和入侵檢測技術取得更好的效果

　　很多的聚類算法都已經和IDS應用環(huán)境結合起來了，很多研究者對前人提出的算法作出改進后，應用到IDS系統中去，或者提出一個全新的算法來適應IDS的要求。隨著聚類技術的不斷發(fā)展，聚類技術在入侵檢測中的應用將是一個很有前景的工作。我們需要把更好的聚類技術成果應用到入侵檢測中。

　　2、利用聚類技術處理入侵檢測中的頻繁誤警

　　雖然入侵檢測是重要的安全措施，然而它常常觸發(fā)大量的誤警，使得安全管理員不堪重負，事實上，大量的誤警是重復發(fā)生并且頻繁發(fā)生的，可以利用聚類技術來尋找導致IDS產生大量誤警的本質原因。