基于入侵特征选择的网络异常数据检测模型

为了提高网络运动可靠性和安全性,针对传统的防火墙检测方法对网络异常数据检测准确性不高的问题,提出一种基于入侵特征选择的网络异常数据检测模型。对网络传输信道中的数据采用关联维求解方法进行特征挖掘提取,并对提取的关联维信息特征进行优选实现入侵信息识别和分类,结合模糊C均值聚类算法实现对网络异常数据的有效挖掘和检测。仿真结果表明,该检测模型能提高对网络异常数据和入侵信息的有效识别和检测能力。     

基于OCAR挖掘的数据库异常检测模型

提出了一种基于OCAR挖掘的数据库异常检测模型,通过对含有WHERE条件的SQL语句唯一确定的完全条件表达式进行特征提取和形式化分析,挖掘表征用户正常行为模式的目标一条件关联规则集(OCARS),并利用OCARS进行数据库异常检测,给出了针对OCARS的挖掘算法和异常检测算法,并给出针对事务异常检测扩展方案.最后,通过SQL注入检测实验对模型的性能和应用作了分析.     

基于联合注意力机制和一维卷积神经网络-双向长短期记忆网络模型的流量异常检测方法

针对流量数据集中类别不平衡限制了分类模型对少数类攻击流量的检测性能这一问题,该文提出一种基于联合注意力机制和1维卷积神经网络-双向长短期记忆网络(1DCNN-BiLSTM)模型的流量异常检测方法。首先在数据预处理过程中利用BorderlineSMOTE方法对流量数据不平衡训练样本预处理,使得各类流量数据均衡,有助于后续模型对各类数据的充分训练。然后设计联合注意力机制和1DCNN-BiLSTM的模型对流量数据进行训练,提取流量数据的局部和长距离序列特征并进行分类,通过注意力机制将对分类有用的特征按其重要性赋予权值,提高对少数攻击类的检出率。实验结果表明,同几种现有方法相比,该文方法对NSL-KDD和CICIDS2017数据集的检测准确率最高(可达93.17%和98.65%),对NSL-KDD数据集中的提权攻击(U2R)攻击流量的检出率至少提升13.70%,证明了该文方法提升少数类攻击流量检出率的有效性。     

基于注意力机制的电磁时间序列异常检测方法

实现电磁数据的异常检测和模式发现,对电磁目标异常行为的判断与提前预警具有重要价值.不同类型的电磁数据通常以时间序列的形式存在,且具有正常数据与异常数据不均衡等特点.为应对上述挑战,提出一种基于时空联合注意力机制的时间序列异常检测方法.基于电磁数据的时间与空间特征,结合通道与空间注意力机制,增强对时序数据异常部分的特征表...     

基于改进FireNet的轻型火灾实时检测方法

针对火灾检测精确不高,时间长等问题。设计了基于改进FireNet的轻型火灾实时检测方法,通过获取视频图像数据,网络模型进行火灾分析和识别;首先,在FireNet特征提取阶段使用多尺度卷积网络并引入通道注意力机制,以提高回归精度。其次,对全连接层的神经元个数进行压缩优化,减少计算耗时。实验表明,改进的FireNet算法模型检测精度达到96.43%,模型存储空间0.96MB,检测帧率37。相比标准算法精度提高2.5%,存储空间压缩85%,检测帧率提升35%。     

基于模糊序列电网异常检测建模方法与研究

采用序列模式挖掘算法构建电网异常检测模型,能够更好地表现电网异常行为。基于此进行了电网异常检测建模方法的研究,并提出了一个基于模糊序列模式的电网异常检测模型。通过理论分析和仿真实验证明,提出的模型不仅具有检测异常行为的实际能力,而且检测效率和检测性能都得到了很大的提高。     

基于数据挖掘的异常检测模型

提出了一种基于数据挖掘的异常检测模型，按此模型建成的系统具有可扩展性、自适应性和准确性等特点。另外，对模型的关键技术进行了详细的阐述，包括：数据预处理技术、数据挖掘算法、规则库建立和维护技术、决策等。     

基于主成分分析的实时全网络异常检测方法

网络性能异常检测对于促进网络健康发展具有重要意义。针对目前全网性能异常检测大多通过离线检测,无法提供良好的实时在线检测性能的问题。文中采用主成分分析方法建立异常检测模型,结合历史性能数据和近期网络性能波动状况去适应性调整网络异常判断阈值,实现了异常检测的实时在线化,并在NFV网络上进行数据采集。实验结果表明,与被广泛采用的离线检测方法比较,该方法在检测的误报率上减少了5%8%,对于网络运行商而言具有较大的使用价值。     

伪异常引导的卷积自编码网络视频异常检测

视频异常检测由于可以高效、低成本地维护公共安全,在国家安防、医疗监护中发挥着重要作用.基于重构的深度自编码网络异常检测方法因其强大的表示能力而得到了广泛的研究.然而,自编码网络通常也可以成功地重建异常行为,从而导致异常行为的漏检.针对这一问题,提出了一种伪异常引导的卷积自编码网络视频异常检测方法,模型使用3D卷积提取视频时空特征.首先,通过正常数据模拟异常数据分布生成伪异常,提出了两种生成伪异常的方法：基于跳帧的方法和基于补丁的方法;然后,使用正常数据和生成的伪异常数据训练模型,训练时较好地重建正常数据同时较差地重建伪异常数据,由此模型被鼓励为限制异常数据的重建;最后,在UCSD-Ped2、Avenue和ShanghaiTech三个公共视频异常检测数据集上与其他基于重建的模型进行比较,其检测精度获得了有效提升.     

基于数据挖掘的异常网络流量分析与检测研究

异常网络流量是指会对正常的网络应用造成不良影响的流量模式,早期网络规模小,数据量小,网络管理员就可分析出网络中的异常流量。随着网络规模的不断扩大,必须应用自动化、智能化技术处理网络异常流量,才能满足网络用户对网络应用安全的需求,在这种背景下出现了异常网络流量检测技术。文章提出一种基于数据挖掘技术的异常网络流量检测系统,给出系统的主要组成模块及主要设计流程,详细说明了数据挖掘模块,通过神经网络技术的应用提高了异常网络流量检测的效率及效果。     

基于多特征自适应融合的区块链异常交易检测方法

针对智能检测模型的性能受限于原始数据(特征)表达能力的问题,设计了一种残差网络结构ResNet-32用于挖掘区块链交易特征间隐含的关联关系,自动学习包含丰富语义信息的高层抽象特征.虽然浅层特征区分能力弱,但更忠于原始交易细节的描述,如何充分利用两者的优势是提升异常交易检测性能的关键,因此提出了特征融合方法自适应地桥接高...     

基于GA改进BP神经网络网络异常检测方法

考虑到常规BP神经网络算法容易陷入局部最优解,所建立的网络遗传流量检测模型检测效率低,准确率不高等问题,提出一种改进型GA优化BP神经网络算法,并使用其建立网络遗传流量检测模型。常规遗传算法在搜索过程中,往往会由于出现影响生产适应度高的个体而对遗传算法搜索过程产生影响的现象发生,因此需要对常规遗传算法进行改进。使用的方法是通过混合编码方式进行改进,同时对交叉算子、变异算子、交叉概率以及变异概率等参数进行优化修正。使用KDD CUP99数据库中的网络异常流量数据进行实验研究,研究结果表明,所提出方法的检测性能要明显优于常规算法,其对BP神经网络的结构、权值以及阈值进行同步优化,避免了盲目选择BP神经网络结构参数带来的问题,避免了常规BP神经网络容易陷入局部最优解的问题。     

基于LSTM与改进残差网络优化的异常流量检测方法

传统的网络异常流量检测方法往往存在特征选择差与泛化能力较弱等缺陷,导致检测精度较低.为此,提出了一种基于长短记忆网络(LSTM)与改进残差神经网络优化的异常流量检测方法.首先分析网络流量特征,通过预处理来降低网络流量特征值的差异性;然后设计了一种三层堆叠LSTM网络来提取不同深度的网络流量特征;最后设计了一种带跳跃连接...     

基于聚类分析的网络数据流异常检测方法

为加强对网络数据流异常检测误报率的控制,进行多维度的动态化检测,营造更加稳定、可靠的数据流异常检测方法。文章结合聚类分析技术,构建网络数据流异常检测方法。先进行数据流模态的描述,针对数据的异常状态,完成并行聚类特征提取,随即布设K-means异常感应节点,并以此作为基础,逐步构建聚类衰减检测模型,采用交叉部署法实现数据流异常检测。最终的异常检测结果表明:对比于传统概率数据流异常检测组、传统多模态数据流异常检测组,文章所设计的聚类分析数据流异常检测组最终得出的数据流异常检测误报率仅为1.01,实现了较为有效的控制,进一步提升了异常检测能力,逐步营造更加稳定、安全的检测环境,结构更加可靠、精准,具有实际的应用价值。     

基于大数据技术的网络异常检测方法

在当今的经济和科技环境下,网络运用已经成为人们生活的一部分。随着网络技术的逐渐升级,人们的生活与网络之间的联系也越来越紧密,但是随之而来的还有一系列网络故障问题,而这也是网络公司必须面对的问题。众所周知,网络故障会给人们的工作和生活带来一定的影响,而为了给网络用户带来更好的使用体验,就要及时处理网络异常并采取有效的行动,以减少网络故障的发生。大数据分析技术是解决网络故障的有效工具之一,其能够很好地帮助相关人员进行故障诊断,因而本文对大数据背景之下网络异常的检测方法进行了探索,希望能够更好地促进网络技术的长远发展。     

基于频繁模式的KPI异常检测研究

文章针对TD-SCDMA现网采集的网络关键绩效指标(Key Performance Indicator,KPI),,利用频繁模式挖掘的方法,重点分析掉话率、无线接通率、拥塞率等之间的关联性。将频繁模式项定义为正常模式,以此进行异常模式检测。这样的方式不仅有效地检测了网络存在的异常组合,也反映了参数之间的关联性,对快速在线检测起到了有效的指导作用。     

基于机器学习的网络异常流量检测方法

研究一种基于机器学习的网络异常流量检测方法。使用改进型ANFIS算法作为建立的网络异常流量检测方法的核心算法。由于传统的神经网络算法使用的梯度下降算法在实际应用时,存在易陷入局部极小值,训练效率低下等问题,因此研究的改进型ANFIS算法使用附加动量算法修正模型参数,使系统能够越过误差曲面的局部最小值。最后使用KDD CUP99数据库以及LBNL实验室测试的数据对改进型ANFIS算法和BP神经网络算法的检测方法进行性能测试。结果表明,使用改进型ANFIS算法检测系统的训练效率以及检测准确率均优于使用BP神经网络算法建立的模型。     

基于深度卷积对抗网络的电磁频谱异常检测

为了解决电磁频谱异常检测精度不高的问题,在深度卷积神经对抗网络(Deep Convolution Generative Adversarial Network, DCGAN)的基础上加入了编码器(Encoder)用来重构频谱数据。编码器首先将真实频谱数据编码为低维特征表示,生成器通过学习编码后的低维特征生成重构频谱数据,判别器负责将重构频谱数据与真实频谱数据进行区分,并通过对抗性训练逐渐提高模型重构频谱数据的能力,最后计算重构频谱数据与真实频谱数据的均方误差,判别异常。实验结果表明,该模型能够在多个频段下实现有效的电磁频谱异常检测,在TV频段下,干信比为-5 dB时,相比于现有电磁频谱异常检测方法,所提方法的平均检测性能提升了18%以上。