军事电子网络对抗中网络流量异常识别

由于军事电子网络对抗中的流量具有海量、高速的特征,且异常流量具有较强的特征隐蔽性,因此,采用传统算法进行异常流量识别往往均有耗时大、有效识别率低的缺陷.为此,提出基于主分量分析与多时间序列数据挖掘算法相结合的军事电子网络对抗中网络流量异常识别方法.针对各维熵值时间序列之间具有关联性的特点,利用支持向量机算法进行多维流量数据分类,为异常流量的识别提供数据支持,依据主分量分析法对维数进行缩减,对信息熵值异常子空间与正常子空间进行有效分离,实现军事电子网络对抗中网络异常流量的有效识别.实验结果表明,采用改进算法进行军事电子网络对抗中网络流量异常识别,能够有效提高异常流量识别率及识别准确性,有效的保障了军事电子网络的安全性,具有显著的优越性.     

基于EBP的宏观网络流量异常行为检测

针对以往Hurst指数估算方法在求解精度和实时性上的不足,提出将EBP引入到网络流量白相似特性分析中,对比实验表明EBP对Hurst指数的估算更精确、实时性更高。利用EBP的这一优势将其运用到宏观网络行为的在线实时分析和异常行为的检测中,对林肯实验室宏观网络行为数据的分析表明,正常行为和异常行为的Hurst分布曲线差异明显。与传统匹配方法相比,基于EBP的异常行为检测方法检测效率更高。     

一种多分类器选择性集成的网络流量分类方法

针对多分类器集成方法产生的流量分类器在泛化能力方面的局限性,提出一种选择性集成网络流量分类框架,以满足流量分类对分类器高效的需求。基于此框架,提出一种多分类器选择性集成的网络流量分类方法 MCSE(Multiple Classifiers Selective Ensemble network traffic classification method),解决多分类器的选取问题。该方法首先利用半监督学习技术提升基分类器的精度,然后改进不一致性度量方法对分类器差异性的度量策略,降低多分类器集成方法实现网络流量分类的复杂性,有效减少选择最优分类器的计算开销。实验表明,与Bagging算法和GASEN算法相比,MCSE方法能更充分利用基分类器间的互补性,具有更高效的流量分类性能。     

链路带宽测量方法改进

链路带宽是网络性能分析，容量优化规划的基本指标，链路带宽测量常用的方法是VPS（variable packet size),但VPS具有误差累计和背景流量影响的缺陷，对VPS方法进行改进，提出和实现一个任意链路带宽测量方法PTVS（packet train with variable size)，消除逐跳测量造成的误差累计和背景流量影响，测量实验表明，PTVS具有精确，高效，迅速的特点，PTVS可测量的其他性能指标还包括RTT，单向延迟，丢包率，端到端瓶颈带宽以及链路利用率。     

基于短相关ARIMA模型的网络流量预测

不同日期同一时刻的网络流量存在相关性和突发性。为准确预测网络流量,提出一种短相关ARIMA模型。对模型定阶后,运用改进的建模方法推导模型参数,使参数随样本数据的变化而更新。实验结果表明,与AR模型和ARIMA模型相比,该模型能更好地描述网络的相关性和自相似性,预测精度较高。     

基于分段IFS分形重建的流量模型

网络流量模型是网络仿真和网络行为研究中的一个基本问题。在分段IFS分形编码重建的基础上提出了一个新的网络流量模型,它基于实际流量的分形重建,所得重建流量变化趋势接近初始流量。在调节因子θ的作用下,重建流量的Hurst参数可以在一定范围内变化,同时重建流量自相关函数曲线与原始流量类似。因此,为网络流量仿真建模研究提供了一种新的选择。     

认知网络中基于蚁群算法的网络流量预测模型

认知网络能够感知外部环境,并能根据周围环境的变化智能、自主、自适应的动态变化,这种特性更适合为用户提供QoS(Quality of Service)保障.设计高精度的流量预测模型,可以提高认知网络的认知特性.本文针对原有预测模型预测精度低、对训练数据依赖程度高以及不能很好的刻画网络流量特征的不足,提出了一个混合的流量预测模型.它使用蚁群算法训练BP网络的权值,避免了梯度下降法收敛速度慢、容易陷入局部最优的问题.并且在预测之前,首先使用BP(Back Propagation)网络剔除原始数据中的异常数据信号,再对其进行小波分解,最后使用混合模型预测网络流量,实现了认知网络中高精度的流量预测.     

网络流量测量及测量软件的设计和实现

网络流量测量是分析和研究网络流量特征,获取网络状况的一种有效方法。首先阐述网络流量测量的基本概念和目的,然后说明网络流量测量的指标和实施方法,介绍常用的网络流量测量工具。在此基础上,给出一款局域网流量测量软件NetTraffic的设计和实现方法。最后在局域网环境中对NetTraffic软件进行了初步测试和分析。     

半监督学习在恶意软件流量检测中的应用

恶意软件检测是保障网络安全、防止网络异常的关键技术之一。为了解决基于深度学习的恶意软件流量检测方法需要大量人工标注的有标签网络流量样本的问题,同时保持算法的检测精度,提出了一种基于半监督学习与网络流量的恶意软件检测方法,其利用少量有标签网络流量样本与大量无标签网络流量样本训练恶意软件检测模型。实验结果表明,所提出的方法在小样本流量环境中比一般的基于深度学习的恶意软件流量检测方法有更好的性能,可用于现实中有标签数据较少的恶意软件流量检测场景。     

WCDMA网络中的多媒体流量特性及流量模烈分析

3G移动通信网络的业务增加了对多媒体的支持,加大了对系统带宽的要求,对系统资源的设计、配置增加了不小的压力。为设计新的网络,对系统资源进行合理分配,提高服务质量（QoS）,人们需要了解3G移动通信网络的流量特性和流量模型。经过分析,本文以WCDMA为例,分析了3G移动通信网络的网络流量特性,给出了网络流量模型,进而给出...