1.一种基于CUDA的网络入侵检测并行化加速方法，包括如下步骤：

(1)在CPU端初始化n个网络入侵检测数据点的集合R，随机选取k个点作为初始聚簇中心，设置最大迭代次数为m，中心点收敛阈值为t；在GPU端分配网络入侵检测数据点集、聚簇中心、全局上下界以及中心点偏移量的内存空间，将数据拷贝至GPU端；

(2)第一次计算所有入侵检测数据点至k个聚簇中心的距离；具体的计算方法采用步骤(4)的方法进行计算；然后，根据距离计算的结果，把数据点归入距离最近的聚簇中；最后，采用步骤(6)的方法来更新聚簇中心，从而获得全局选择器需要的数据；

(3)对于每一个入侵检测数据点，采用全局选择器判断是否需要进行下一轮迭代；如果入侵检测数据点满足全局选择器判定条件，则转步骤(6)处理，如果不满足，则转步骤(4)处理；全局选择器的判定条件为：其中，x代表一个网络入侵检测数据点，e代表点x所属聚簇的聚簇中心，ue(x)代表x的全局上界，le(x)代表x的全局下界，φ(e)代表聚簇更新之后聚簇中心e的距离偏移量，C代表所有网络入侵检测聚簇中心的集合，c代表集合中除了e之外的一个聚簇中心，代表聚簇更新之后聚簇中心的最大距离偏移量；

(4)计算所有入侵检测数据点至k个聚簇中心的距离；在GPU端开启n个线程计算入侵检测数据点矩阵x的平方x2，然后开启k个线程计算聚簇中心矩阵y的平方y2，并计算x2+y2；最后，调用CUDA提供的通用矩阵乘函数cublasSgemm()进行距离计算，即计算n个入侵检测数据点至k个聚簇中心的距离；

(5)根据距离计算的结果，寻找每个入侵检测数据点最近的聚簇中心，并把这个数据点归入该聚簇集合；由于部分入侵检测数据点满足全局选择器条件，没有进行距离计算，因此，在完成计算入侵检测数据点所属聚簇的基础上，需要加上这部分数据点所属聚簇，从而获得所有数据点的聚簇中心；

(6)在GPU端按照每个网络入侵检测数据点的所属聚簇标签进行排序和分组，将所有具有同一聚簇标签的数据点归为一组；聚簇标签的排序可以调用CUDA提供的Thrust库中的sort_by_key()排序函数，这个函数可以根据key值进行排序；由于每一个聚簇中心都有一个相应的标签，调用sort_by_key()排序函数时，把数据点所属聚簇的标签作为key值即可；这样，经过sort_by_key()函数排序后，可以根据排序的情况，把具有相同聚簇标签的入侵检测数据点归为一组；

(7)根据排序和分组的结果，计算新的聚簇中心；计算新的聚簇中心时，GPU开启合理的二维线程格和二维线程块，blockDim.y代表二维线程块y方向上的大小，而gridDim.y代表二维线程格y方向的大小，然后为每个线程分配同组内(n-1)/(blockDim.y*gridDim.y)个数据点，计算这些网络入侵检测数据点在threadIdx.x维度上的和，threadIdx.x代表线程块内x方向上的线程号；最后把同组内的入侵检测数据点分别在d个维度上累加求和，根据同组内数据点总数得到每个维度的均值，输出更新之后的聚簇中心；

(8)如果算法迭代次数达到m或k个聚簇中心的距离变化值都小于阈值t，则转步骤(9)，否则转步骤(3)，继续迭代；

(9)将步骤(8)的计算结果从GPU端拷贝至CPU端，输出k个聚簇中心以及相应的聚簇集合，如果一个聚簇集合的数据量小于总数据量的2％，则判断该聚簇中的数据为入侵数据，否则为正常数据。