一种基于MMTD网络异常流量的研究

当今的网络在设计初期并没有充分考虑其安全性,因此使得网络被频频攻击成功。当网络管理人员在检测网络是否遭到黑客的攻击时,可以从网络流量的角度出发,检测网络流量是否异常。网络流量是否异常可以作为网络是否被攻击的一个依据。网络中的流量存在正常还是异常的两种状态,在参考已有的检测技术之后,使用MMTD这一算法来检测网络的流量。在文中根据流与流量的特性给出检测函数y=f(x),最后使用MMTD这一算法进行流量是否异常做出判断。利用MMTD算法来研究网络的流量尚属第一次,该算法能够使得已有流量检测算法具有一定的智能性,可以作为已有流量检测算法的补充。     

改进PSO-LSSVM算法的SDN网络流量预测模型

SDN技术解决了IP网络布设困难、更新繁琐等突出问题, 近年来发展迅速. 本文针对SDN网络流量预测问题, 提出首先采用混沌理论对时间序列样本群进行相空间重构, 随后引入最小二乘支持向量机(LSSVM)构建SDN网络流量预测模型, 并结合改进的粒子群算法(PSO)对其关键参数进行优化. 实验结果证明, 该模型有效提高了SDN网络流量预测精度与误差控制水平, 具有良好的实际应用价值.     

微信流量特性分析与建模

微信是现代互联网的主要应用之一,到目前为止有关微信流量特性分析与建模的研究较少.本文以微信流量为研究对象,分析验证微信流量同时具有自相似性和突发性.针对这两种特性进行微信流量建模,采用线性分形稳定噪声模型刻画微信流量特性,完成了模型的参数估算和效果分析.本文的研究成果是后续的网络性能分析、网络流量监管等的基础.     

基于t-SNE降维预处理的网络流量异常检测

网络流量中大多数流量都是正常的,但经常会出现偏离正常范围的异常流量,主要由DDOS攻击、渗透攻击等恶意的网络行为引起,这些异常行为通常会导致网络质量下降,甚至网络直接瘫痪。因此引入网络安全态势的预测,在仅知道正常网络流量的情况下判断网络中的异常。异常检测是一种网络安全态势的预测方法,用来判断网络中是否有异常。现有的异常检测算法由于无法准确提取网络数据包的低维特征导致算法的性能不佳,因此,需要找到网络数据包的准确的低维特征表示,该低维特征表示能够区分网络数据包是正常的还是有攻击的。为此,本文引入基于t-SNE降维的NLOF异常检测算法。该算法采用t-SNE算法自动预处理网络数据包以获得低维的网络数据包特征,之后将得到的低维的网络数据包特征作为NLOF算法的输入进行异常检测。其中,本文的NLOF算法首先采用k-means算法将网络数据包聚类成为K个簇,并将网络数据包数量小于N个的簇标记为异常簇,之后将未被标记为异常簇的网络数据包作为LOF算法的输入进行异常检测。在ISCX2012数据集上的实验结果表明,基于t-SNE降维的LOF算法达到最优性能时,准确率为98.46%,精确度为98.38%,检测率为98.54%,FAR为0.66%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.18个百分点、0.02个百分点和0.01个百分点。基于t-SNE降维的NLOF算法达到最优性能时,准确率为98.53%,精确度为98.86%,检测率为98.86%,FAR为0.32%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.25个百分点、0.34个百分点和0.41个百分点。这是异常检测中首次采用t-SNE算法自动提取低维的网络数据包特征。此外,LOF算法仅能捕获异常点,而本文的NLOF算法能够同时捕获异常点和异常簇。     

基于神经网络和自回归模型的网络流量预测

互联网的急速发展在给人类带来了巨大便利的同时,也使网络中的网络流量出现了爆炸性的增长,预测网络流量对于网络的研究、管理和控制都具有很高的现实指导意义.为了降低减少网络流量数据的预测误差,提出一种基于神经网络和自回归模型的网络流量预测模型——卷积神经网络(CNN)-长短期记忆(LSTM)网络+自回归(AR).通过卷积神经网络和长短期记忆网络结合来同时获取数据的短期局部依赖特征和长期发展趋势,添加历史连接组件将网络流量的周期性考虑在预测中,完成对网络流量中非线性项的处理,利用自回归模型预测线性项,将两部分结果结合得到最终预测值.实验结果表明,对比传统的网络流量预测模型,在最好情况下所提出模型的均方误差(MSE)、均方根误差(RMSE)和平均绝对误差(MAE)分别减小了1.5604、0.1468和0.1405,这说明该模型有更好的预测表现,预测值与实际值的差距更小.     

基于深度学习的网络流量预测研究综述

精准地预判网络流量变化趋势可以帮助运营商准确预估网络的使用情况,合理分配并高效利用网络资源,以满足日益增长且多样化的用户需求。以深度学习算法在网络流量预测领域的进展为线索,阐述了网络流量预测的评价指标和目前公开的网络流量数据集及应用,具体分析了网络流量预测中常用的深度信念网络、卷积神经网络、循环神经网络和长短时记忆网络共四种深度学习方法,并重点介绍了近年来针对不同问题所提出的改进神经网络模型,总结了各模型特点及应用场景。最后对网络流量预测未来发展进行了展望。     

基于线性多尺度模型的计算机网络数据流量预测

为了解决网络安全监控问题,提出了一种用于预测网络流量的算法.通过多个不同尺度的线性模型进行网络数据的组合预测,每个尺度的线性模型由经过滤波器滤波后的部分原始数据估计得到,最终的预测流量数据由多个尺度线性模型的平均预测值得到.选择的线性模型为自回归滑动平均模型,且尺度较小的线性模型对应自回归滑动平均模型的阶数较高.结果表明,本算法的预测精度高,整体预测误差的均值在10-3量级.     

基于多因素改进型PSOSVM算法的中长期负荷预测

中长期负荷预测作为电力规划与调度中的重要一环,其影响因素有着多样性和不确定性等特点.选取支持向量机作为中长期负荷预测的核心算法,筛选多种区域宏观经济因素,利用粒子群(PSO)寻优与循环寻优的改进型算法对支持向量机(SVM)的参数进行优化及负荷预测.仿真结果显示,改进型PSOSVM算法有着较高的预测精度.     

平直节理黏结颗粒材料宏细观参数关系及细观参数的标定

为了分析平直节理黏结颗粒材料宏细观参数关系以及进行细观参数的标定,以单轴压缩、直接拉伸和双轴压缩数值试验作为宏观参数测试方法,对平直节理接触模型细观参数进行正交设计,采用多因素方差分析和回归分析研究宏细观参数之间的关系,在此基础上,建立了细观参数的标定方法。以灰岩的室内试验为基础,对其细观参数进行标定,模拟结果与试验结果相接近,验证了方法的有效性。