随着计算机与网络的迅速普及,网络攻击的数量与发生频率也激增,其中拒绝服务攻击发生的次数和对网络环境造成的危害最大。有研究人员曾经把Dos攻击比作网络的“核武器”:一旦在网络中调动大量的僵尸机器和带有漏洞的开放服务器,就可对任何网络服务造成毁灭性的打击。2020年上半年,AWS亚马逊服务器遭受到打破纪录的2.3T DDos恶意攻击。目前,拒绝服务攻击的入侵检测已成为互联网安全的重心。本文提出了一种基于改进K-means算法的Dos攻击检测模型来检测网络环境中的威胁。本文从两个方面对传统K-means聚类算法进行改进。首先,针对原始K-means算法聚类结果受初始化中心点影响较大的缺陷,提出引入概率的K-means聚类中心点初始化方法,该方法为中心点选取对象赋予选取概率来避免聚类中心间距过小,其中选取概率是根据选取对象的测度函数值决定的,以此来提高聚类结果的稳定性和效率。其次,针对K-means聚类算法对数据维度敏感性的问题,本文探索在多维空间特征向量维度扩展K-means模型,模型将数据对象的特征向量维度扩展到多维空间,进而调整各个特征向量的权值,寻找最优的方案,来弥补由于衡量维度过少和空间距离无缩放机制所造成的聚类结果失真的问题,带权值的特征向量维度扩展K-means算法提高了聚类准确率。多维空间特征向量聚类结果具有不确定性,针对这一问题,本文利用遗传算法对多维空间特征向量进行有监督的参数优化,直至得到的参数使K-means聚类结果更接近于真实。在优化的过程中根据多维特征权值与聚类结果的相关性压缩特征空间,并得到对检测Dos攻击正收益的特征向量,提高算法的运行速度和收敛效率。最终,我们用实验对理论进行了验证,本文采用NSL-KDD数据集,将聚类准确率提高到96.875%。此外,我们进行了大量的实验,对特征向量维度进行压缩,通过有监督的优化得到压缩的特征向量,并带入到测试集中进行K-means聚类,实验得到的聚类准确率与压缩之前不仅毫无损失,且有所提高,但是收敛速度却大大加快。综合分析实验结果表明,本文提出的基于改进K-means算法的Dos攻击检测模型在检测Dos攻击方面取得了较好的效果。