论文的研究内容包括两个方面：一是研究新的高效的聚类算法;一是把已有的聚类算法或论文提出的新算法和入侵检测技术相结合，从而提出一个好的入侵检测模型。具体的研究内容包括以下几个点：

　　第一、针对聚类算法的研究问题：

　　1、如何提高算法的可扩展性

　　许多聚类算法在小于200个数据对象的小数据集上是高效率的，但是无法处理一个大规模数据库里的海量对象。现有的聚类算法只有极少数适合处理大数据集，而且只能处理数值型数据对象，无法分析具有类属性的数据对象。

　　2、如何处理离群点

　　在实际应用中，估计数据集中的离群点可能是非常困难的，很多算法通常丢弃增长缓慢的簇，这样的簇趋向于代表离群点。然而在某些应用中，用户可能对相对较小的簇比较感兴趣，比如入侵检测中，这些小的簇可能代表异常行为，那么我们需要考虑在对算法影响更小的前提下，如何更好的处理这些离群点。

　　3、研究适合具有类属性数据的聚类算法的有效性

　　对聚类分析而言，有效性问题通常可以转换为最佳类别数k的决策。而目前有关聚类算法的有效性分析，大都集中在对数值数据的聚类方式分析上。对于具有类属性的数据聚类，还没有行之有效的分析方法。

　　第二、针对聚类算法在ids应用中的研究问题：

　　1、如何结合聚类技术和入侵检测技术取得更好的效果

　　很多的聚类算法都已经和ids应用环境结合起来了，很多研究者对前人提出的算法作出改进后，应用到ids系统中去，或者提出一个全新的算法来适应ids的要求。随着聚类技术的不断发展，聚类技术在入侵检测中的应用将是一个很有前景的工作。我们需要把更好的聚类技术成果应用到入侵检测中。

　　2、利用聚类技术处理入侵检测中的频繁误警

　　虽然入侵检测是重要的安全措施，然而它常常触发大量的误警，使得安全管理员不堪重负，事实上，大量的误警是重复发生并且频繁发生的，可以利用聚类技术来寻找导致ids产生大量误警的本质原因。