膜计算为我们提供了一种新型的,可以进行海量数据处理的计算模型。膜计算具有分布式、极大并行性、海量储存性和非确定性等特点,将膜计算应用于聚类中,会在保证聚类质量的前提下大大提高聚类效率。本身划分聚类算法思想简单,时间复杂度较低,运行所需时间较短,可以对海量数据进行处理,而且在其他方面应用也比较广泛。但是划分聚类算法对于初始聚类中心的选取较为敏感,划分聚类算法的聚类质量很大程度取决于初始聚类中心的选择。本文考虑改进初始聚类中心敏感的问题,并与膜计算结合构造新型算法。本文首先详细介绍了研究背景与研究意义,分别对膜计算和划分聚类的国内外发展现状作了综述,对膜计算与划分聚类结合的研究现状与发展进行了介绍,然后对组织型膜系统及划分聚类进行概述。本文首先提出了一种基于环状膜结构的组织型膜系统,并通过一个简单的例子研究了该系统的聚类质量,其次进行了划分聚类算法的改进并与基于环状膜结构的组织型膜系统结合应用于网络入侵检测。主要研究内容如下:一是将组织型膜系统进行了改进,将环状膜结构引入组织型膜系统中,设计了一种基于环状膜结构的组织型膜系统,在此膜系统中,每个膜的作用单一,分工明确,执行效率有极大的保证。二是提出了基于CSTP系统的IKM算法,对传统的随机选择初始聚类中心的方法进行改进,使得对于任何数据集,K均值算法可以以极快的速度确定初始聚类中心,并且提出了变异策略以优化算法的运行结果。三是提出基于CSTP系统的HCBP算法,对K中心点算法的迭代过程中聚类中心点的选择进行了改进,代价函数的计算更新了公式,将K中心点算法与K均值算法结合,用于K均值算法结果的进一步优化。并与基于环状结构的组织型膜系统,提出了基于该系统的混合划分聚类算法。四是将CSTP-HCBP算法与CSTP-IKM算法应用于网络入侵检测,对实验数据KDDCUP99进行检测。入侵网络检测主要是通过对网站中的重要数据进行采集,技术分析,从而对其行为是正常行为还是入侵攻击行为进行判定。