Web服务器负荷状态检测方法研究

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。     

Web服务器的负荷状态检测技术

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．     

基于KNN和GBDT的Web服务器指纹识别技术

现有的Web服务器指纹识别方法容易因响应头被篡改而得不到准确的识别结果 ,而且已有的基于机器学习的相关识别方法需要预先发送大量的请求来进行识别 。针对上述问题,通过分析响应头的特征关系,提出一种基于KNN和GBDT的Web服务器指纹识别算法,其只需要发送两种不同类型的异常请求,就能识别对应的Web服务器指纹类型和版本范围。 与已有Web服务器指纹识别算法进行的对比实验结果表明,所提算法的识别速度和准确率均得到了优化。     

你的服务器能否顶住“压力”？

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。     

一种预防Web服务器挂起的方法

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.     

自动化运维技术在中小企业信息化系统运维中的应用

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。     

基于人工智能的网络异常信号识别方法

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。     

Windows+IIS Web服务器性能异常的错误源排查探讨

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。     

基于深度学习的复杂观测条件下工频磁异常探测

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。     

基于负载模式识别的Web应用在线异常检测方法

负载模式的动态变化会影响系统度量,使得异常难以准确检测.针对此问题,提出一种基于负载模式识别、在线检测Web应用异常的方法.该方法基于在线增量式聚类算法,运行时识别动态变化的负载模式,根据特定负载模式对应的度量空间,利用局部异常因数检测异常状态,并量化异常程度,并通过学生t测试方法计算度量异常值,以定位异常原因.实验结果表明,所提方法能够准确识别负载模式变化,有效检测出Web应用典型错误所引起的异常状态,并定位异常原因.     

基于遗传算法优化的OCSVM双轮廓模型异常检测算法

针对Modbus工业总线协议的特殊性及工控数据样本的不均衡性,利用单类支持向量机（OCSVM）分别构建正常OCSVM模型和异常OCSVM模型,即双轮廓模态来模拟系统通信的正常模式和异常模式,从而实现工控系统异常检测。同时将遗传算法优化自变量降维应用于工控网络入侵检测场景,实现对输入自变量的降维压缩处理,防止OCSVM模型出现过拟合现象及分类准确率低的问题,提高异常检测的精度,缩减建模时间。通过仿真验证了该算法对工控网络异常检测的有效性。     

一种云环境下的高效异常检测策略研究

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。     

面向边缘端设备的轻量化视频异常事件检测方法

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。     

基于深度学习的网络流量异常识别与检测

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.     

服务器负载的小波-神经网络-ARMA预测

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。     

基于DAE和GRU组合的流量异常检测方法

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。     

基于反向选择的地震前兆观测数据异常检测

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。     

非结构化文档敏感数据识别与异常行为分析

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。     

基于深度学习的多波束海底地质数据异常值检测方法

随着陆地资源不断开发,可用资源减少,人类将资源的开发转移到海洋领域,此时能够收集大量海底数据的多波束测深系统起着重要作用。但未经检测和过滤的、包含异常数据的多波束测深系统会给海洋开发带来危害,因此需要对异常数据进行检测。常用的检测异常值的算法有截断最小二乘估计异常值检测算法、基于改进GA异常值检测算法等,但这些算法的检测精度均较低。随着深度学习不断发展,许多异常值检测的算法均基于深度学习进行改进。提出一种新的异常检测方法——深度支持向量检测算法,与之前方法相比在检测出更多异常值的同时,能减少误判和漏判的情况且提高了检测精度。