基于网络流量自相似性的蠕虫攻击检测方法研究

网络蠕虫攻击是一种危害巨大且难以防御的网络攻击方式。传统的基于特征匹配的蠕虫检测方法受限于对蠕虫特征值的提取,无法检测未知类型蠕虫的攻击。在此将表征网络流量自相性的Hurst参数应用到蠕虫攻击检测,通过对Hurst参数的变化来检测未知类型蠕虫的攻击。实验表明该方法能有效检测到网络中采用主动扫描方式传播的未知类型蠕虫攻击行为。     

无线Mesh网络流量自相似性研究

近年来,无线Mesh网络已成为一个倍受关注的研究领域.对无线Mesh网络流量特性的研究将有助于网络协议的研究、评估,以及网络结构的规划和建设.本文通过对无线Mesh测试网上采集的数据包进行统计分析,揭示了网络流量具有自相似的特性.同时,解释了无线Mesh网络流量自相似性是由网络中具有重尾分布特性的多个流叠加形成的,并通过仿真进一步分析了节点移动性对流量自相似性的影响.     

排队系统中一种具有自相似性的增量模型

以一个具有自相似通信量的模型作为输入,分析了有限长排队系统队长特性,提出了一个增量自相似模型,并求出了该模型的H参数以及一阶、二阶统计量,从而为计算输入模型中的H参数和设计缓存大小提供了一种新的方法。     

自相似网络流量建模及分析

利用RMD方法生成了自相似分形FGN流量,并分别利用R/S分析法、时间方差分析法和小波功率谱密度分析法估计自相似流量的Hurst参数.然后,利用OPNET仿真软件对传统的排队模型M/M/1和自相似下的排队模型的平均排队延时和平均队列长度进行了网络仿真,从而得出自相似对排队性能的影响.     

基于改进自回归差分移动平均模型的网络流量预测

为了缓解通信网络的拥塞问题,减少用户请求服务的等待时间,提高网络的利用率,网络运营服务商需要对网络实时流量进行分析,而建立准确高效的流量分析模型能提供更加准确的数据支持.基于此,提出了改进的自回归差分移动平均模型,该方法与传统模型方法相比,引入了误差扩散因子这一新的参数,并使用改良的粒子群算法得到欲求解的参数值.通过对...     

基于EMD及ARMA的自相似网络流量预测

提出了一种基于ARMA(自回归滑动平均)模型的经验模式分解预测自相似网络流量的方法,进行了理论证明和仿真验证.结果表明,经验模式分解对长相关流量有去相关的作用,采用ARMA模型即可对自相似网络流量准确刻画,不但降低了算法的复杂度,而且预测精度高于径向基函数神经网络的预测精度.     

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。     

基于节点自相似性方法的网络协议测试

针对无线自缎织网络中的协议一致性测试问题,提出一种新的测试算法一节点自相似性方法。利用形式他描述语言SDL对路由协议DSR路德协议进行描述,文章给出了该方法的具体涵义以及应用环境。通过举例,验证了节点自相似性方法能够从实际移动网络的模型中产生测试序列进行测试。     

网络流量宏观行为分析的一种时序分解模型

大规模网络中的流量行为体现为一个相当复杂的非线性系统,目前国内外对它的研究还没有成熟的方法.文章考虑网络流量非线性的特点,通过不同的数学模型将流量时间序列分解成趋势成分、周期成分、突变成分和随机成分.根据分解,利用相应的数学工具分别建模四个相对简单的子成分以仿真复杂流量.使用分解模型分析CERNET主干网络和NSFNET主干网络的长期流量行为,并将分析结果同传统的ARIMA季节模型比较.通过比较仿真自相关函数和预报误差,发现分解模型在描述流量宏观行为时具有简单和高精度的优点.     

基于节点行为特征分析的网络流量分类方法

针对基于加密分组数据的网络流量分类问题,该文提出两种基于行为特征的分析方法。结合流量矩阵和网络结构熵技术,定义了出入度熵指数等参数用于描述节点间的连接行为和数据传输特征,并利用多个周期和时间尺度下的熵指数分析不同流量特征。通过可视图建网方法将流量序列转化为连接网络,利用网络结构相关参数分析流量中蕴含的节点间交互行为的差异。实验表明不同业务流量矩阵的熵指数变化趋势差别较大,而流量序列对应连接网络的聚集系数等存在明显差异。两种方法对于不同业务流量具有较好的分类效果。     

基于人工神经网络的交通流量预测模型的研究

介绍了人工神经网络的BP算法，建立了基于Matlab神经网络工具箱的交通流量预测模型，并以实际道路交叉口为例进行2小时40分，分时段的数据采集，利用模型进行短时流量预测。     

基于活跃熵的网络异常流量检测方法

提出了一种基于活跃熵的网络异常流量检测新方法,将受监控的目标网络视为一个整体系统,对进出系统的网络数据流所形成的NetFlow记录进行分析,分别统计二者的活跃度并计算它们的活跃熵。在进行活跃熵的计算时,根据流量大小选择不同的尺度来降低误报率,从而能更有效地检测网络流量中存在的异常。在实际网络环境下的模拟实验结果表明,与传统检测方案相比,基于活跃熵的网络异常流量检测方法能够更有效地检测出具有随机特征的网络异常流量。     

一种网络流量平稳化方法

由于网络流量的不稳定性,会影响流量模型的准确性。平稳化的目的是使得流量成为平稳或更为接近平稳,以提高流量模型的准确性。差分是一种常用的平稳化方法,它对具有线性趋势的时间序列有很好的平稳化效果。本文提出一种统计分析的方法对流量进行平稳化处理,可以在一定程度上消除流量不稳定性对流量建模的影响。     

Social network users clustering based on multivariate time series of emotional behavior

It is known that the social network is an excellent source for gathering the emotions of people. There are thousands of micro-blogs posted in every second and every micro-blog that may contain a variety of user＇s emotions. The users＇ collective emotional behaviors are with great impacts on today＇s societies, so it is good to find groups for society management based on users＇ emotional behavior. This article focuses on analyzing multivariate emotional behavior of users in social network and the goal is to cluster the users from a fully new perspective-emotions. The following tasks are completed： firstly, the multivariate emotion of Chinese micro-blog with vector is analyzed, and multivariate time series to describe the user＇s emotional behavior are constructed. Seconedly, considering principal component analysis （PCA） in similarity and distance similarity, the similarity of the multivariate emotion time series is measured. The contribution could be summarized as follows： groups of users though different emotions in social network are discovered. The emotional fluctuation and intensity of users are considered as well. Experiment in clustering effectively illustrates the emotional behavior characteristics of the Users in different groups.     

基于机器学习和深度学习的网络流量分类研究

随着互联网技术的不断发展以及网络规模的不断扩大,应用的类别纷繁复杂,新型应用层出不穷。为了保障用户服务质量(QoS)并确保网络安全,准确快速的流量分类是运营商及网络管理者亟须解决的问题。首先给出网络流量分类的问题定义和性能指标;然后分别介绍基于机器学习和基于深度学习的流量分类方法,分析了这些方法的优缺点,并对现存问题进行阐述;接着围绕流量分类线上部署时会遇到的3个问题:数据集问题、新应用识别问题、部署开销问题对相关工作进行阐述与分析,并进一步探讨目前网络流量分类研究面临的挑战;最后对网络流量分类下一步的研究方向进行展望。     

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。      

基于行为特征学习的互联网流量分类方法

基于连接图的互联网流量分类方法能反映主机间的通信行为,具有较高的分类稳定性,但是经验式总结的启发式规则有限,难以获得高分类准确率.研究分析了主机间通信行为模式和BOF方法,从具有相同{目的IP地址,目的端口号,传输层协议}网络流量中,提取主机间连接相关的行为统计特征(HCBF),采用C4.5决策树算法学习基于行为特征的分类规则,其无需人工建立启发式规则.在传统互联网和移动互联网流量数据集上,从基本分类性能和分类稳定性方面,与现有的特征集进行比较分析,实验结果表明,HCBF特征集合的类间区分能力和稳定性较高.     

宽带网络流量分析和管理

近年来，随着宽带到联网在全球的迅速发展和各种相关应用的快速普及．宽带互联网已成为人们日常工作生活中不可或缺的信息承载工具。然而．伴随着用户的正常应用流量．宽带网络上形形色色的异常流量也随之而来．影响到网络的正常运行．威胁用户主机的安全和正常使用．通过日常网络管理的实际应用．对互联网流量分析进行了综合介绍．重点介绍如何借助主流流量分析技术-NETFLOW．解决异常流量分析与处理等问题。     

一种基于频繁序列匹配的交通状态趋势预测方法

海量的交通流数据中一定隐藏着某些潜在的交通状态演变规律,然而少有研究能以实验的方法支持这种观点。本文提出一种基于频繁序列匹配的交通状态趋势预测方法：首先,介绍交通状态序列模型及序列切分处理,其次,提出投影压缩序列相似度计算方法及序列匹配算法,第三,讨论基于频繁序列匹配的交通序列预测算法。通过真实采集数据验证本文提出的方法可行有效。     

基于自回归模型与神经网络模型的车流量预测对比

车流量建模是车联网(vehicular Ad Hoc network,VANET)路由、多媒体接入协议、无线算法设计的基础.准确的车流量模型将对智能交通系统(intelligent transportation system,ITS)实时调度和车联网的信息安全起到十分重要的作用.基于上海市的交通流量数据,利用自回归(auto regressive,AR)模型与神经(back-propagation,BP)网络模型对车流量实测数据进行了仿真对比,给出了相应的预测结果.研究发现,两个模型均能有效地对数据进行跟踪与预测,但对不同时段数据预测的准确性有所不同.研究结果将为未来智能交通应用、车联网的理论研究等提供有力依据.