一种基于相关性的分布式异常检测算法

提出了一种传感器网络异常检测算法,与传统的基于相邻节点数据对比的检测算法不同,该算法首先在节点内分析数据的时间相关性,仅在发生异常时,上传至簇头节点,分析空间相关性;对于不确定的异常数据,在相邻分簇内,计算数据的相关性.还给出了采用直方图计算均值和分析相关性的方法.实验表明,该算法减少了通信量,提高了异常检测的准确率.     

大规模无线传感器网络智能能量管理算法的研究*

提出了一种基于规则推理的大规模无线传感器网络智能能量管理算法.该算法的核心思想是根据被监测实体以往情况以及当前状态信息,通过基于规则的推理推测出下一个时间段内实体可能发生异常或者期待事件的区域,让监测该区域的传感器节点工作,监测其他区域的节点休眠,从而提高能量效率.最后通过模拟实验对该算法进行了验证.     

一种快速宏观网络态势分析算法

为快速计算网络的宏观态势,提出了一种层次式态势量化算法,基于流量数据依次提取出服务级、节点级和网络级的流量态势量化值.该方法计算流量数据变化剧烈程度,从而反映网络的安全态势.用户可以按需要提取服务级、节点级和网络级的态势值,以此为依据辅助判断整个网络,特定节点的监控范围,或者某项服务的异常程度.该算法采用低复杂度算法,进行应用于在线态势评估.网路态势的阈值事先往往难以确定,因此网络管理员可根据网络的实际情况,选择适当的阈值.     

评估网络整体连通概率的算法

提出了一种评估网络整体连通概率的新方法.该方法提出了如何化简网络状态空间,并将状态空间进行多级分解,以缩减状态向量的规模.对分解所得的每一个网络状态向量,提出一种构造子网的方法来判断此向量的是否能保持原网络的连通性,通过迭代运算用网络整体连通概率的上下界来估计其真实值.与传统算法相比,该方法具有计算速度快、收敛性好、通用性较强,适合大规模网络近似计算的特点.     

基于图神经网络的动态网络异常检测算法

动态变化的图数据在现实应用中广泛存在,有效地对动态网络异常数据进行挖掘,具有重要的科学价值和实践意义.大多数传统的动态网络异常检测算法主要关注于网络结构的异常,而忽视了节点和边的属性以及网络变化的作用.提出一种基于图神经网络的异常检测算法,将图结构、属性以及动态变化的信息引入模型中,来学习进行异常检测的表示向量.具体地,改进图上无监督的图神经网络框架DGI,提出一种面向动态网络无监督表示学习算法Dynamic-DGI.该方法能够同时提取网络本身的异常特性以及网络变化的异常特性,用于表示向量的学习.实验结果表明,使用该算法学得的网络表示向量进行异常检测,得到的结果优于最新的子图异常检测算法SpotLight,并且显著优于传统的网络表示学习算法.除了能够提升异常检测的准确度,该算法也能够挖掘网络中存在的有实际意义的异常.     

基于统计的网络流量异常检测模型

提出了一个基于统计的流量异常检测模型。根据网络流量的可测度集,描绘了一个正常网络流量的基线。参照该正常流量基线,使用假设检验理论进行异常检测。采用一个基于滑动窗口的流量更新策略,使异常检测能够更加高效。论述了在高速网络情况下提高检测性能的方法。     

基于多尺度主成分分析的全网络异常检测方法

网络异常检测对于保证网络的可靠运行具有重要意义,而现有的异常检测方法仅仅单独利用流量的时间相关性或空间相关性.针对这一不足,同时考虑流量矩阵的时空相关性,提出了一种基于MSPCA的全网络异常检测方法.该方法综合利用小波变换具有的多尺度建模能力和PCA具有的降维能力对正常流量进行建模,然后采用Shewart控制图和EWMA控制图分析残余流量.此外,还利用滑动窗口机制对MSPCA异常检测方法进行在线扩展,提出了一种在线的MSPCA异常检测方法.因特网实测数据分析和模拟实验分析表明:MSPCA算法的检测性能优于PCA算法和近期提出的KLE算法;在线MSPCA算法的检测性能非常接近MSPCA算法,且单步执行时间很短,完全满足实时检测的需要.     

异构复杂信息网络下的异常数据检测算法

异构复杂信息网络承载着不同的协议和网络信道,并通过云储存实现资源调度,由此产生的异常数据会给网络信息空间带来安全威胁和存储开销,所以需要进行异常数据准确检测。传统的检测算法采用简化梯度算法进行异常数据检测,不能有效去除多个已知干扰频率成分的异常数据,检测性能不好。提出一种基于自适应陷波级联模型的异常数据检测算法。构建异构复杂信息网络系统模型,采用固有模态分解把异常数据信号解析模型分解为多个窄带信号,设计二阶格型陷波器结构,用多个固定陷波器级联抑制干扰成份,采用匹配投影法寻求优化特征解,找出所有匹配的特征点对,从而实现异常数据检测的改进。仿真实验表明,采用该算法进行异常数据检测时,信号幅值大于干扰噪声数据幅值;该算法提高了检测性能,具有较好的抗干扰性能。     

命名实体的网络话题K-means动态检测方法

针对传统的网络话题检测方法在文本特征表示方面的不足及K-means聚类算法面临的问题,提出了一种基于命名实体的网络话题K-means动态检测方法.该方法对传统话题检测的特征表示方法进行了改进,用命名实体和文本特征词相结合表示文本特征,用命名实体对文本表示的贡献大小表示命名实体的权重;另外,利用自适应技术对K-means聚类算法中的K值进行自收敛,对K-means聚类算法进行了优化,利用K值的动态选取来实现网络话题的动态检测.实验结果表明,该方法较好地区分了相似话题,有效提高了话题检测的性能.     

传感器网络中基于环的负载平衡数据存储方法

传统的以数据为中心的存储方法有一个非常严重的缺点:网络中存在着明显的热点区域,主要出现在sink和home节点周围.位于热点区域附近的节点所消耗的能量远大于网络内的其他节点,从而严重缩短了传感器网络的寿命.对于出现在sink周围的热点问题,采用在网络中分布多个sink节点的方式消除热点.对于出现在home节点周围的热点问题,提出基于环的负载平衡数据存储协议,并以此数据存储为基础,给出相应的查询处理算法消除热点.首先,负载平衡数据存储协议将传感器网络划分为多个环,在网络工作的某个时间段内,数据被分散存储在某个环内的多个节点上;其次,该存储结构的最大特点是,在不同时间段内,各环轮换工作进一步消除热点.最后,基于环的查询处理算法也是由环内的多个节点协作完成.基于环的负载平衡数据存储协议以及基于此存储协议的查询处理算法虽然在查询处理中所消耗的能量高于传统方法,但可以保证从数据存储到查询处理的整个过程中,网络的所有节点均匀地消耗能量,从而避免了传统方法中的热点问题,达到延长网络寿命的目的.实验表明,基于环的数据存储及查询处理算法可以解决传统上基于事件存储协议中出现的热点问题,并延长传感器网络的寿命.