共查询到20条相似文献,搜索用时 145 毫秒
1.
本文对Web服务器的负荷状态检测方法进行了深入研究。在基于对系统负荷状态与内部资源关系的研究基础上,对Web服务器的负荷特性进行了分析,给出了负荷状态检测参数、检测模型及基于多参数数据融合的检测方法,并通过实验数据对其有效性进行了分析。 相似文献
2.
Web服务器的负荷状态检测技术 总被引:1,自引:0,他引:1
Internet业务请求的汇聚使Web服务器具有高负荷性,极易导致过负荷,文中对其负荷状态的检测方法进行了深入研究.系统内部资源消耗量与业务处理量有直接关系,通过对Web服务器内部多种资源的并行检测可以准确评价其负荷状态。文中在对Web服务器的负荷特性进行分析的基础上,给出了其负荷状态的检测参数、检测模型及基于多个检测参数数据融合的检测方法.通过对监测到的实际系统数据的分析表明了此方法的有效性. 相似文献
3.
4.
Web压力测试是目前比较流行的服务器运行状态测试手段。它是利用工具模拟Web客户端发送请求,来测试服务器的运行状态,可以有效地检测服务器受到大流量访问时的运行状态和响应时间。当我们想测试自己的服务器状况时,利用Web压力测试无疑是一个好办法。 相似文献
5.
针对数据中心的服务器设备运行状态监测的现实需求以及现有方法的缺点,提出了基于视觉图像的检测服务器面板工作状态指示灯颜色特征的方法。引入YOLO算法完成图像中目标的分类和位置回归检测任务;为了满足现场嵌入式检测设备运行需求,将YOLO算法中的主干网络替换为MobileNet,实现了检测网络的参数压缩,在保证检测效果的前提下减少了网络运算力的消耗;制作了基于图像增强方法的数据集用于网络训练,得到了mAP为60.3,故障信号检测准确率为96.1%,漏检率1.4%的效果;在树莓派终端上进行实验,单张图片检测时间为1.5s,满足工程采样周期要求。文章提供了低成本、高效率、可扩展的服务器设备运行状态视觉检测接口。 相似文献
6.
介绍了一种预防Web服务器挂起的方法,可以快速发现Web服务器异常并及时重启Web服务器,相对于服务器人工手动重启方式,具有高效快捷的优点,提高了基于IIS服务器的Web系统的稳定性. 相似文献
7.
针对目前中小企业常用的Web网站框架,实现了一个应用多种Python自动化运维技术在阿里云主机中搭建Web服务器,监视服务器运行状态的自动化运维方案,实现了阿里云服务器自动配置运行环境、Web服务一键部署、服务器异常状态告警等功能。将此方案在某钢材贸易公司相关管理系统中进行了实践和探索,阐述了该方案应用wxpy、Subprocess、Paramiko、Ansible等Python自动化运维技术的方式和实施步骤。 相似文献
8.
为解决当前网络异常信号识别方法识别结果准确率较低问题,引入人工智能检测技术,提出了网络异常信号识别方法设计。通过提取网络异常信号特征、建立网络异常信号识别模型、识别网络异常信号传输信道的设计方式,提出了一种全新的信号识别方法。通过实验分析可知,新的网络异常信号识别方法,识别结果的准确率均为96%以上,较传统方法相比具有显著优势。 相似文献
9.
在基于Windows+IIS的多站点Web服务器中,经常出现因外部的恶意攻击或Web站点本身程序缺陷导致的服务器性能异常。主要表现为服务器系统资源占用率高,网站访问缓慢等,严重时可导致服务器完全停止响应或服务器死机。针对此问题,笔者结合近年来进行服务器维护的经验,提出了一种综合采用IIS应用程序池、系统进程管理器、系统日志及站点访问日志等机制进行性能异常错误源排查的方法。 相似文献
10.
复杂观测条件下使用工频磁场探测人员、车辆、飞行目标等多类型目标造成的磁场扰动时,受到复杂环境下电磁噪声、供电设备及外来物体扰动等影响,工频磁场扰动信号具有噪声多、干扰强等特征,为有效削弱噪声及干扰对工频磁场扰动信号的影响,实现工频磁场扰动探测,该文利用实验数据对复杂观测条件下的磁场扰动信号进行特征分析,提出了一种基于深度学习的工频磁场异常探测方法,通过提取正常状态与有扰动状态的信号序列,将该信号输入神经网络训练,得到准确检测工频磁场异常信号的网络模型。实验结果表明,该方法的识别准确率在80%以上。 相似文献
11.
12.
针对虚拟机进行异常检测是提高云计算系统可靠性的重要手段之一。然而,云环境中虚拟机的性能指标数据具有维度高、信息冗余等特点,会降低检测效率和准确度。同时,传统异常检测方法难以定量刻画系统的异常状态,而局部异常因子(Local Outlier Factor,LOF)算法虽可量化其异常程度,但它以相同权重计算不同维度变量对系统状态的影响,导致算法对异常的区分能力减弱。针对以上问题,提出一种高效的异常检测策略。该策略以最大相关最小冗余算法和主成分分析法对性能指标进行筛选降维,提高了异常检测的效率;为LOF算法中不同维度的变量赋予不同权重,强化了不同指标对异常的区分度。实验表明,该策略相对于传统异常检测方法,效率和检测率都有显著提高。 相似文献
13.
现有基于CNN模型的视频异常事件检测方法在精度不断提升的同时,面临架构复杂、参数庞大、训练冗长等问题,致使硬件算力需求高,难以适配无人机等计算资源有限的边缘端设备。为此,提出一种面向边缘端设备的轻量化异常事件检测方法,旨在平衡检测性能与推理延迟。首先,由原始视频序列提取梯度立方体与光流立方体作为事件表观与运动特征表示;其次,设计改进的小规模PCANet获取梯度立方体对应的高层次分块直方图特征;再次,根据每个局部分块的直方图特征分布情况计算表观异常得分,同时基于内部像素光流幅值累加计算运动异常得分;最后,依据表观与运动异常得分的加权融合值判别异常分块,实现表观与运动异常事件联合检测与定位。在公开数据集UCSD的Ped1与Ped2子集上进行实验验证,所提方法的帧层面AUC分别达到86.7%与94.9%,在领先大多数对比方法的同时参数量明显降低。实验结果表明该方法在低算力需求下,可以实现较高的异常检测稳定性和准确率,能够有效兼顾检测精度与计算资源,因此适用于低功耗边缘端设备。 相似文献
14.
基于多维熵值分类的骨干网流量异常检测研究 总被引:1,自引:0,他引:1
针对高速骨干网上异常检测要求高检测效率和低误报率问题,提出了一个基于多维流量数据熵值分类方法.在多个不同维度上采用熵度量流量数据的分布特征,提出了多维高效熵值计算算法有效减低熵值计算的时间和空间复杂度;在每个时间窗口上把不同维度熵值序列排列成检测向量,采用一类支持向量机对检测向量进行分类;对支持向量机分类判断过程中可能出现误报的情况,提出多窗口关联检测算法,通过在多个连续时间窗口上对异常向量进行多窗口关联检测,最终判断异常是否发生.通过在真实网络流量数据集上的两个对比实验,验证了本文算法在检测效率方面随着网络流量和攻击流量的增加时间和空间开销增长较为平缓,在检测精度方面也取得了令人满意的效果. 相似文献
15.
针对传统的工控网络流量数据在复杂网络环境下特征维度高,特征处理复杂度高,模型检测效率低等问题,本文使用了一种基于随机森林(random forest, RF)和长短期记忆网络(long short-term memory, LSTM)结合的流量异常识别与检测方法.首先使用随机森林算法计算流量特征的重要度评分,筛选出重要特征,剔除冗余特征,然后使用LSTM进行异常流量的识别与检测.为了评估模型的有效性与优越性,本文使用准确率、精确率、召回率和F1-score进行模型评价,并与传统的机器学习方法 Naive Bayes、QDA、KNN算法进行对比.实验结果表明,在公开数据集CIC-IDS-2017中,异常流量识别的总体准确率达99%.与传统的机器学习算法相比,该方法有效地提高了复杂网络环境下异常检测的准确性和效率,在工业控制网络安全和异常检测方面具有实际应用价值. 相似文献
16.
服务器负载的小波-神经网络-ARMA预测 总被引:1,自引:0,他引:1
为提高服务器负载预测的精度,提出一种新的基于小波的预测方法。该方法首先对具有非平稳特征的服务器负载序列进行小波分解与重构,得到一个低频信号和多个不同尺度的高频信号;对具有近似平稳特征的低频信号建立ARMA预测模型;对变化较多的各高频信号分别建立神经网络预测模型;然后分别对各信号进行一步预测并组合预测结果,获得原始负载的最终预测。实验表明:该方法能够有效预测非平稳的服务器负载序列,预测精度明显高于传统预测方法。 相似文献
17.
流量异常检测能够有效识别网络流量数据中的攻击行为,是一种重要的网络安全防护手段。近年来,深度学习在流量异常检测领域得到了广泛应用,现有的深度学习模型进行流量异常检测存在两个问题:一是数据受噪声影响导致检测鲁棒性差、准确率低;二是数据特征维度高以及模型参数多导致训练和检测速度慢。为了在降低流量数据噪声影响的基础上提高检测速度和准确性,本文提出了一种基于去噪自编码器(Denoising Auto Encoder,DAE)和门控循环单元(Gated Recurrent Unit,GRU)组合的流量异常检测方法。首先设计了基于DAE的流量特征提取算法,采用小批量梯度下降算法对DAE进行训练,通过最小化含噪声数据的重构向量与原始输入向量间的差异,有效提取具有较强鲁棒性的流量特征,降低特征维度。然后设计了基于GRU的异常检测算法,利用提取的低维流量特征数据训练GRU,从而构建异常流量分类器,实现对攻击流量的准确检测。最后在NSL-KDD、UNSW-NB15、CICIDS2017数据集上的实验结果表明:与其他的机器学习、深度学习方法相比,本文所提方法的检测准确率最大提升了18.71%。同时,本文方法可以实现较高的精确率、召回率和检测效率,同时具有较低的误报率。在面对数据受到噪声破坏时,具有较强的检测鲁棒性。 相似文献
18.
针对现有前兆异常检测方法因异常数据较少导致检测准确率偏低的问题,提出一种基于反向选择的检测方法。定义地震数据中的self集与nonself集;将随机选取的未成熟检测器与self集进行匹配,生成半径可变的成熟检测器,覆盖nonself空间;将待检测数据与检测器匹配,通过判断是否在nonself空间得到检测结果;与现有地震异常检测方法BP神经网络、支持向量机进行对比,实验结果表明反向选择用于地震前兆观测数据异常检测有更好的效果。 相似文献
19.
在海量数据中快速、准确地对数据进行分类分级,快速识别用户异常行为是目前数据安全领域的重要研究内容。在数据分类分级研究领域,自然语言处理技术提升了分类分级的准确率,但是中文语体混杂、无监督学习准确率低、有监督学习样本标注工作量大等问题亟待取得关键突破。本文提出多元中文语言模型和基于无监督算法构建样本,突破数据分类分级领域面临的关键问题。在用户异常行为分析研究领域,由于样本依赖度过高,导致异常行为识别准确率较低,本文提出利用离群点检测方法构建异常行为样本库,解决样本依赖过高问题。为验证方法可行性,进一步构建实验系统开展实验分析,通过实验验证所提出方法可以显著提高数据分类分级和异常行为分析的准确率。 相似文献
20.
随着物联网的飞速发展,物联网设备的安全问题受到了广泛的关注.物联网设备的软硬件特性导致其极易遭受各类攻击.对物联网设备的异常检测成为近年的热点,传统的基于入侵检测、流量分析等防护方式无法适用于物联网设备的软硬件环境.针对这一问题,提出了基于芯片辐射的异常检测方案,以物联网设备在工作时向外辐射的电磁波信号作为检测依据,采用遗传算法和近似熵理论对原始信号进行特征提取和选择后,利用一类支持向量机对正常行为产生的辐射信号进行训练.该方案具有无侵入的特性,无需对原有系统进行任何软硬件改造,适用于现有物联网设备.最后的实验结果表明:与其他常用的异常检测方案相比,该方案能够更有效地检测物联网设备的异常行为,具有较高的准确性和较低的误报率. 相似文献