随着计算机互联网技术的不断更新，逐渐应用于各个领域，对人们的生活和工作产生了巨大的影响。大量的数据信息呈爆炸式增长，涉及大量的隐私信息。作为现代社会发展过程中极其重要的信息产业，交通关系到机密信息安全和交通安全，也关系到社会安全的稳定发展。随着网络的普及，每个人在日常生活中都会接触到网络，个人信息和数据安全也存在一定的威胁和风险。因此，加强计算机网络信息安全管理和保护是一项非常重要的工程。贝叶斯分类算法是计算机网络信息安全保护设计和实施过程中最常见的方法之一，取得了重大研究成果。考虑到大数据聚类算法的日益成熟和应用范围，越来越广泛的技术成果逐渐诞生。目前，计算机网络信息安全保护策略的研究仍处于早期阶段，特别是不同目标属性之间的相关性。非线性关系占一半以上。如果采用常规方法，很难充分反映实际关系。在分析过程中，也会存在矛盾，可能会出现无条理的情况。围绕计算机网络安全涉密信息，对网络信息安全进行全面、准确的分析。

简述大数据聚类算法。聚类是指根据具体标准将数据集分为不同类型，使同一集群中的数据对象尽可能相似，同一类型的数据聚集在一起，分离不同类型的数据。有的搜索引擎有查看类似网页的功能，可以用聚类设计，每种网页都差不多。数据分类是分析现有数据，寻找共同属性。根据分类模型，价格数据分为不同的类别。数据聚类是将没有类别参考的数据分为不同的组。聚类分析根据数据发现数据对象及其关系信息，并对数据进行分组。每组对象相似，每组对象不相关。组内相似度越高，组间相异性越高，聚类越好。算法思路可以简单描述为:首先初始化K类簇中心，然后计算每个数据对象与聚类中心的距离，将数据对象划分为最近的聚类中心所在的类簇中，根据所得类簇更新类簇中心，继续计算每个数据对象与聚类中心的距离，将数据对象划分为最近的聚类中心所在的类簇中，根据所得类簇继续更新类簇中心，一直迭代，直到达到最大迭代次数T。