针对基于加权K最近邻（WKNN）和机器学习算法的指纹库定位方法存在精度和定位效率较低的问题，提出一种基于测量报告（MR）信号聚类的指纹定位方法。首先，把MR信号分为室内、道路和室外这3种属性；其次，利用地理信息系统（GIS）信息将栅格分为建筑物、道路和室外子区域，并将不同属性的MR数据落入对应的属性子区域；最后，借助K均值（K-Means）聚类算法对栅格内的MR信号进行聚类分析，以创建子区域下的虚拟子区域，并采用WKNN算法对MR测试样本进行匹配。此外，利用欧氏距离计算平均定位精度，并通过生产环境的一些MR数据测试了所提方法的定位性能。实验结果表明，所提方法的50 m定位误差占比为71.21%，相较于WKNN算法提升了2.64个百分点；平均定位定位误差为44.73 m，相较于WKNN算法降低了7.60 m。所提方法具备良好的定位精度和效率，可满足生产环境中MR数据的定位需求。

低速率拒绝服务（LDoS）攻击是一种拒绝服务（DoS）攻击改进形式，因其攻击平均速率低、隐蔽性强，使得检测LDoS攻击成为难点。针对上述难点，提出了一种在软件定义网络（SDN）的架构下，基于加权均值漂移-K均值算法（WMS-Kmeans）的LDoS攻击检测方法。首先，通过获取OpenFlow交换机的流表信息，分析并提取出SDN环境下LDoS攻击流量的六元组特征；然后，利用平均绝对值百分比误差作为均值漂移聚类中欧氏距离的权值，以此产生的簇心作为K-Means的初始中心对流表进行聚类，从而实现LDoS攻击的检测。实验结果表明：在SDN环境下，所提方法对LDoS攻击具有较好的检测性能，平均检测率达到99.29%，平均误警率和平均漏警率分别为1.97%和0.69%。