防御DDOS“网络战”

针对DDOS攻击,需采用体系化防御的思想,以网御星云的抗DDOS解决方案为例,描述如何构建监控、管理、清洗三位一体的抗DDOS防御工事。 该防御体系由三个独立但又相互互动的系统构成：异常流量监控检测系统,实现全网异常流量的实时监控,并通过智能基线模型及时发现和定位DDOS攻击,分析数据上报管理系统;异常流量管理系统,接收监控检测系统的数据,进行全局关联分析,全网掌控DDOS态势,并根据清洗系统的部署位置,合理调度清洗系统,下达清洗策略;异常流量清洗系统．接收清洗指令,实现网络流量牵引、清洗和回注,深度筛选攻击数据包,消灭DDOS攻击。     

网络风暴冲击下的流量调控平台设计与实现

网络风暴冲击下的网络结构存在较高的差异性,并且外部环境存在较高的波动性,使得传统采用异构网络协作的网络流量调控方法存在控制效率低和失衡的问题。因此,设计基于Linux防火墙的嵌入式网络流量控制系统,其是基于Linux内核Netfilter框架的流量控制系统。系统将μClinux当成操作系统的嵌入式系统,其塑造在Netfilter防火墙框架上,由内核功能模块、虚拟部件以及用户配置工具构成。内核功能模块在Netfilter框架的钩子挂载点处注册处理函数,完成网络数据包的控制,实现网络流量的调控。虚拟部件实现内核空间同用户空间配置数据的传递,确保用户采用配置工具对流量调控系统的行为进行管理。用户通过用户配置工具将待控制的主机/子网信息反馈到流量调控系统中。实验结果表明,所设计系统可实现网络风暴冲击下的网络流量的平稳控制,并且具有较高的控制效率和鲁棒性。     

基于多特征提取自编码器的网络流量异常检测算法

随着网络攻击的复杂化、自动化和智能化水平的不断提高,网络中不断涌现出新的攻击类型,给基于特征码的网络攻击检测和及时响应带来极大挑战。为了更加有效准确的识别异常流量,提出一种基于多特征提取自编码器的网络流量异常检测算法。算法自定义基于多特征提取的自编码器模型,由5个不同的Encoder模块构成编码器,1个Decoder模块构成解码器,能够同时提取流量中的空间特征和时间特征,且能有效避免产生退化现象,有效检测异常流量。同时,自定义SMOTE-新样本过采样法来解决数据不均衡问题,使用方差分析进行特征选择,优化数据,降低模型复杂度,大大缩短检测时间,提高算法的检测实时性。实验结果表明,提出的算法在网络流量异常检测的准确率方面比当前同类最优算法提升了1%,对百万条流量数据的检测时间减少了4.22 s。     

基于在线LS-SVM的网络流量预测

为了提高流量预测的准确性,将混沌理论和在线LS-SVM回归技术应用于网络流量预测。采用相空间重构理论计算流量的时延τ、嵌入维数m,据此确定训练样本对并建立在线预测模型,对网络流量数据进行预测。结果表明,该方法能有效地进行流量预测,相对于传统的离线预测方式,该方法具有更好的预测精度。     

网络数据流量图形化分析系统实现

为了实时监测网络流量,本文实现了一个网络数据流量图形化分析系统。该系统采用数据库存储流量数据,用Visual C＋＋．NET设计实现界面,利用winpcap软件对网络数据流量进行分析,能较好地满足网络数据流量实时监测的需求。     

基于云计算的海量网络流量数据分析处理研究

随着互联网技术的迅速发展,在我们的生活中网络已经成为我们不可以缺少的重要的组成部分.网络流量监控技术是对网络中海量的流量数据进行分析的重要工具和技术.基于云计算的网络流量监控技术可以对网络流量数据和用户的特征进行更好的分析,可以对用户的上网行为进行深入的挖掘,更好的为用户推荐喜欢的网络内容.本文结合互联网的发展现状对海量网络流量数据分析技术进行了分析,在基于云计算的基础上提出了海量网络流量数据分析的几个关键性技术,对基于云计算的海量网络流量数据分析技术进行了分析和研究.     

基于联合信息增益与Pearson相关系数的智能音箱流量分类

智能音箱在智能家居系统中扮演着重要的角色,大量的用户隐私数据存在于智能音箱流量数据包中,因此智能音箱流量分类是一项十分重要的研究课题。本文通过对智能音箱网络流量数据进行采集,然后进行预处理,得到特征数据集,再通过联合信息增益与Pearson相关系数的方法对特征数据集进行特征选择,得到特征子集;根据特征子集,通过网络流量分类器实现智能音箱网络流量的分类。实验结果表明本文中采用的联合信息增益与Pearson相关系数对智能音箱流量进行特征选择的方式,提高了分类器的性能。     

基于Hadoop的网络分流和流特征计算

网络流量特征计算是网络流量分析的一个重要步骤,对于海量网络流量数据,并行化计算网络流量特征是高效网络流量分析的重要方法.针对传统单机处理成本高、可扩展性差的问题,提出一种基于MapReduce编程模型的网络流量分析方法,并行实现网络分流和流量特征计算.通过使用Hadoop平台对实际数据进行分析,统计常用网络流量属性特征,实验表明,该方法分析网络流量特征的结果准确可信,且适合分析大流量数据.     

基于突发分离的自相似网络流量预测

网络流量预测在网络拥塞控制及资源分配中起着至关重要的作用。对于具有自相似性的网络业务流量,由于其存在较强突发,传统预测方法的预测精度普遍较低。本文针对存在高突发的网络流量数据,提出了一种基于数据分离的流量预测方法。在预测步骤前,本方法首先通过控制图将网络流量中难以预测的突发流量进行有效的分离,从而得到突发流量和非突发流量两部分数据。之后分别采用人工神经网络和自适应模板匹配方法实现对非突发流量和突发流量的预测。最后通过对两部分预测结果的合并得到最终的预测结果。基于实际流量数据的实验结果表明:相较于传统流量预测方法,本文所提出的方法具有更高的流量预测精度。      

基于ARIMA模型的网络流量预测

:网络流量预测在网络规划、流量管理等方面起着重要的作用,是业务管理的主要研究内容之一。在分析研究网络流量实测数据的基础上,建立了网络流量预测的ARIMA模型,该模型较之传统的Poisson过程、Markov过程等随机模型,能更好地描述Internet多构性、突发连续性和自相似性等特征。在模型定阶之后,运用改进的线性建模方法推导确定了模型参数。给出了不同预测步数条件下的流量预测数据,并和流量实测值进行了对比实验。实验结果表明,该模型在预测步数较小(l<3)的情况下,预测误差在5%左右。     

一种网络流量统计分析与可视化系统

介绍了一种流量统计分析与可视化系统。涉及到系统的组织结构、主要部分的实现细节及其对系统的功能测试和实验结果分析。统计分析模块可对流量数据进行静态和动态分析,可视化模块可对分析结果或原始流量数据进行二维和三维显示,最终以多种方式显示数据的流量特征,从而方便性能分析及网络设备研究的需要,可作为研究网络流量和行为学的辅助工具。     

基于拓扑链路识别的光网络流量数据合成算法

基于深度学习的光网络流量诊断与预测等场景中,由于保密等原因,光链路的流量数据采集和存储工作受限。针对数据量少而无法支撑深度学习的问题,文章提出了一种基于拓扑链路识别的光网络流量数据合成算法,其核心思想是在生成对抗网络框架下,联合基于光网络拓扑的条件生成模型和基于光网络流量的数据合成模型,以自监督的方式合成指定光链路的流量数据。仿真结果表明,所提算法合成的光网络流量数据在自相关系数指标上与真实数据接近且使得基于全连接神经网络的流量预测模型准确率达到95%以上。     

IP网络流量测量的研究与实现

网络流量测量是研究网络行为的基础．也是分析网络状况、掌握网络流量特性的有效方法。为了更好地管理网络资源．保障服务质量，对网络流量测量体系框架及测量系统的实现进行了研究．并基于TMA（Traffic Monitor and Analyzer）监测数据对IP网络的流量特性进行了分析．为网络规划及技术研究提供了参考。     

LTE/SAE移动通信网络流量识别方法的改进研究

对LTE/SAE移动通信网络流量的准确识别和预测,提高移动通信网络的通信可靠性。提出一种基于小波时间-尺度特征分解的LTE/SAE移动通信网络流量识别算法,构建LTE/SAE移动通信网络的信道模型,进行通信网络流量的时间序列分析,对时间序列采用小波时间—尺度特征分解方法进行特征提取和匹配,实现流量的准确识别和预测。仿真结果表明,采用该算法进行LTE/SAE移动通信网络流量识别的精度较好,预测的准确性较好,实时性好。     

基于SARIMA-LSTM组合模型的网络流量预测方法

针对网络流量预测问题，提出一种基于SARIMA和LSTM组合模型的网络流量预测方法。首先，利用S-HESD算法对异常流量数据进行检测，并通过滑动窗口均值进行数据平滑处理；然后，利用基于统计学习的SARIMA模型预测流量数据，并将其作为LSTM神经网络的输入，最终输出流量预测值。实验结果表明，SARIMA-LSTM组合模型能充分呈现骨干网、城域网、边缘接入网等不同层级网络的周期性和趋势性等特点，优于SARIMA、LSTM等单一模型。     

网络流量特征选择方法中的分治投票策略研究

特征选择作为机器学习过程中的预处理步骤,是影响分类性能的关键因素.网络流量具有数据量大,特征维度高的特点,如何快速提取特征子集,并提高分类效率对于基于机器学习的流量分类方法具有重要意义.本文提出基于分治与投票策略的特征提取方法,将数据集分裂为多个子集,分别执行特征提取算法,利用投票方法获得最后的特征子集.实验表明可有效提高特征提取的时间效率,同时使分类器取得良好的分类准确率.     

组合神经网络的网络流量预测研究

提出一种组合神经网络的网络流量预测模型.首先采用SMOF网络对网络流量数据进行聚类,然后采用Elman网络对聚类后的流量数据进行训练并预测,同时采用遗传算法对Elman网络的网络结构进行优化,提高网络流量预测精度.仿真结果表明,组合神经网络加快了网络流量预测速度,提高了网络流量预测精度,克服了单一预测模型不足,为网络流量预测提供了新的思路,具有很好的应用前景.     

一种基于Haar小波变换的低速率拒绝服务攻击检测方法

依据LDoS攻击周期性脉冲突发的特点,提出一种基于Haar小波特征提取的低速率拒绝服务攻击检测方法．该方法采用信号处理技术来分析网络流量提取特征指标,通过小波多尺度分析对网络流量综合诊断,较好地缓解了合法用户背景流量对攻击特征提取的干扰．NS-2仿真实验结果表明,该方法检测率高,消耗计算资源少,具有良好的理论研究和实用价值．     

校园网流量监测与分析

流量监测是网络管理的一个重要组成部分,网络流量数据为维护网络运行提供了重要的信息.为此,介绍了采用Solarwinds流量监测工具实现流量监测的原理,利用它实时监测了校园网环境下的流量,并对其流量监测结果进行了分析.     

网络入侵后的波动控制系统设计与实现

网络入侵具有较强的破坏以及不可控性,受到入侵攻击后的网络流量存在冲突、约束数据带宽等随机因素,使得网络流量产生波动,稳定性降低。以往网络波动控制方法,在网络波动性高于设置的阈值后,控制方法不能对网络波动进行有效控制。因此,基于自抗扰控制器,设计并实现网络波动控制系统,该系统包括流量采集模块、流量汇总模块、流量异常检测和控制模块以及警示模块,并且具备网络探析部件、主机探析部件、策略管理中心、控制台四大功能。系统采用自抗扰处理器对入侵攻击产生的流量波动进行控制,确保网络流量的均衡性。实验结果表明,所提方法下的网络入侵行为显著降低,具有较低的网络入侵性能。