基于AR模型的网络异常检测

在网络流量管理中流量异常的一般检测方法是阈值监控，文章提出一种新的异常检测方法，选取适当的SNMP管理信息库变量，建立对相关变量的局部AR（自回归）模型，检测并分析一种服务器故障引起的流量异常，获得该故障的特征向量模型；该检测方法比阈值方法有更强的检测功能，并与传统GLR测试方法进行对比。     

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。     

基于数据仓库模型的水文数据挖掘

以水文决策和服务社会需求为导向,运用数据仓库技术,构建面向主题的水文数据仓库结构模型,并对其结构、功能、逻辑模型和数据分析等进行设计,挖掘水文数据在经济社会中运用的价值和实现。     

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。     

基于深度信念网络的光通信网络数据异常识别研究

为了降低光通信网络被攻击的概率,保证光通信的安全顺畅,提出基于深度信念网络的光通信网络数据异常识别方法。利用时间-频率相结合的算法建立光通信信道模型,获取信道特征。根据信道特征密度设计数据异常特征的判断准则,利用数据挖掘聚类算法提取异常数据特征。融合BP网络和受限玻尔兹曼机网络,确立深度信念网络结构,结合隐藏层与可见层单元的概率分布情况构建数据异常识别模型,经过数据采集、特征归一化和模型微调等过程完成光通信网络数据异常识别。仿真实验表明,所提方法能够获取准确的光通信网络异常数据特征,光通信网络数据异常识别高和误报率低。     

基于数据融合的空管运行复杂安全网络理论模型设计

阐述数据关联融合的空管运行复杂网络模型的构建方法,通过收集、筛选和分析不同空管系统运行数据与运行态势变化的相关性,基于空管运行的多源数据与涉及的各类数据关联融合,从而构建出空管运行安全的复杂网络模型,从而更好地实现指导空管运行安全决策的目标。     

基于FGCM的通信网络运行态势感知模型研究

为有效降低不同通信网络链路中的运行带宽与数据丢包率,保障网络体系的安全运行态势,文中提出一种基于FGCM的通信网络运行态势感知模型。依据Flink通信协议连接需求定义因子集表达式;再联合权重向量,根据FGCM算法评价原则对通信网络运行数据进行评价,提取通信网络的态势特征;最后,根据网络运行指数的取值范围,估算主机元件对通信数据参量的感知能力,实现通信网络运行态势感知模型。实验结果表明,所提方法可以有效降低网络运行带宽和数据丢包率,保障网络体系的安全运行态势。     

基于多模态数据的校园异常行为模型和系统构建

随着各类信息化系统在高校的普及,越来越多的学生校园行为被信息化的手段记录下来。为了保证学生在校期间的安全学习和生活,文章提出从校园商业交易、水电费交易、校园摄像头、课堂摄像头、心理和体检以及学习成绩六个维度获取学生各维度数据,并将其分为视频数据、序列化数据和结构化数据三类。从多模态数据入手,对学生的异常行为进行多维度的建模分析。基于此分析,给出智慧校园的建设建议,更好的保证学生的在校生活和安全。     

基于危险理论与数理统计的入侵检测模型

随着社会市场经济的发展,信息技术及人工智能技术取得了较大的进步,并在各个行业中取得了广泛的应用,本文就主要在危险理论的基础上,对数理统计的基本概念进行了简单介绍,并对基于危险理论与数理统计的入侵检测模型进行了简单分析,对于实际应用中的相关计算具有一定的参考价值。     

基于深度信念网络的光通信网络数据异常识别研究

为提高光通信网络数据传输能力,基于深度信念网络研究光通信网络数据异常识别方法。先构建光通信网络数据传输模型,采用深度信念网络进行传输信道均衡控制,利用模糊多分类支持向量机提取数据异常特征,构建数据分类学习模型,实现对数据异常重构和关联规则挖掘,采用深度信念网络对光通信网络数据进行异常张量切片重组,用张量对多关系网络进行建模,实现对光通信网络数据异常识别。仿真结果表明,所提改进方法的能量开销仅为1.2 kJ,生命周期为55.75 h,且识别时间仅为1.0 ms,优于其余两种方法,具有更大的应用价值。     

基于无线通信的工业控制网络异常数据识别方法

随着工业无线通信技术的逐步发展与国际化,它在工业自动化领域中发挥着举足轻重的作用。近年来,工业控制网络的安全问题受到了广泛的关注,针对工业网络中异常数据的识别研究也得到重视。目前,工业网络数据异常识别方法可以处理的大部分数据是单维的,并且数据检测只能在被测量的单个项目上执行,测量网络数据的方法复杂且检测非常不方便,测量的精确度不高。为了解决此类问题,通过查找大量的文献,对数据进行对比分析,基于无线通信的异常数据识别是针对工业网络,检测无线网络的数据,找到了一种可以检测待测多个指标数据的异常识别方法,经过实验证明可提高网络数据识别的可靠性和安全性。     

虚拟化网络中的异常大数据区域挖掘平台设计与改进

受异常大数据区域参数波动大的影响,市面上现存的虚拟化网络异常大数据区域挖掘平台可应用性和稳定性不高,与虚拟化网络连接成功率较低。为此,设计新型虚拟化网络异常大数据区域挖掘平台。该平台由虚拟化网络控制模块、挖掘模块和虚拟层组成。虚拟化网络控制模块利用SDN控制器对虚拟化网络进行控制,保证其中的大数据能够被流畅、安全、稳定地挖掘和传输。挖掘模块先对虚拟化网络控制模块传输来的大数据进行整流和滤波,再利用报警电路挖掘出其中的异常大数据,进而搭建出异常大数据区域,并对其进行完整存储。软件给出虚拟层的功能图,以及平台对异常大数据的挖据代码。经实验验证可知,所设计的平台拥有较高的可应用性和稳定性,且与虚拟化网络连接的成功率较高。     

基于深度学习的网络传输数据异常识别方法

互联网技术的广泛普及使得网络用户数量急剧增加,网络传输数据体量也随之增大,在多种因素的影响下,内部异常数据占比也越来越高,为网络数据传输、应用带来了极大的困难,为此提出一种基于深度学习的网络传输数据异常识别方法。该方法在LSTM神经网络模型的应用下,大幅度提升了评价指标——F1值,能够更加精确的识别异常数据,为网络传输数据的应用与处理提供更有效的方法支撑。应用高斯混合模型分割网络传输数据集合（训练集合/测试集合）,引入深度学习技术——LSTM,构建网络传输数据异常识别模型,根据LSTM神经网络长期与短期记忆单元需求重塑网络传输数据,基于梯度下降法制定构建模型训练程序,确定异常数据判别规则,将测试集合输入至训练好的识别模型中,输出结果即为异常数据识别结果。实验数据显示：应用所提方法后,F1值呈现波动状态,最小值为83.70%,最大值为94.50%,符合数据异常识别需求,证明该方法具备可行性。     

基于FARIMA模型的电网数据服务器流量异常识别

当前电网数据服务器流量异常识别方法的平均时延过长,丢包率过高,因此提出了基于FARIMA模型的电网数据服务器流量异常识别方法。利用多重分形测度方法提取一个维度的电网数据流量特征,对存在较大方差的流量特征进行描述,利用FARIMA模型的回归算法计算电网数据服务器流量阈值,以此分析电网在正常运行条件下的数据服务器流量行为,并对此时的流量阈值进行检测,利用FARIMA模型与参数估计方法实现电网数据服务器流量异常识别。实验结果表明,所提方法能够有效缩短平均时延,降低丢包率。     

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。     

基于小世界模型对异常数据的分析技术

随着Internet的飞速发展以及宽带无线网络的出现,面对日增月积的网络海量数据,如何有效地应用模型进行数据分析,根据分析意图、目的简明直接地得到所关心的结果,成为关注的重点。当前,小世界模型在中国越来越被重视,并被有效地运用至网络、医药、生物、企业等各个领域。因此,以小世界模型作为理论依据,进一步扩展数据聚类的功能,讨论切实、高效地获取异常数据分析的技术,就显得尤为必要。     

基于SOFM神经网络的异常数据挖掘及其应用

聚类分析是数据挖掘中重要的一项,通过神经网络聚类分析对数据进行挖掘分析是一种常见的方法。根据医疗保险领域数据的特点,本文提出了一种基于SOFM神经网络的聚类方法,在未知预期结果的前提条件下,利用SOFM神经网络的自组织特征映射功能,对医保信息系统中异常数据部分进行挖掘,发现其中的可疑欺诈数据,并得到可视化较好的解释结果。     

基于改进聚类算法的Web异常数据挖掘软件设计

以往Web异常数据挖掘软件通常采用小波变换和回声状态网络模型,存在数据库内闭频繁项集"左边"数据循环散布现象,大大降低了异常数据挖掘精度。研究Web异常数据挖掘的软件开发与改进方法,通过post Web异常数据挖掘的堆栈弹出,保障Web数据库内不出现闭频繁项集"左边"数据循环散布现象。在此基础上,采用改进的K-means算法设计用户行为数据分类模块分类用户行为数据,采用异常检测模块通过MapReduce中的map函数确定数据的异常访问类型,Combine和Reduce函数汇总异常访问类型一致的异常检测数据,输出Web异常数据,并采用警告触发模块进行警告。经实验证明,所研究方法挖掘Web异常数据的平均准确度约为97.86%,挖掘不同规则中异常数据的平均结果为96.88%,说明此方法具有较高的挖掘精度和实用性。