本文選題：數(shù)據(jù)干擾 + 異常數(shù)據(jù)�。� 參考：《計算機仿真》2017年08期

【摘要】：大數(shù)據(jù)環(huán)境下對網(wǎng)絡(luò)異常數(shù)據(jù)的準(zhǔn)確檢測能夠確保網(wǎng)絡(luò)系統(tǒng)的安全性。傳統(tǒng)方法進(jìn)行異常數(shù)據(jù)檢測時,需要對全部數(shù)據(jù)的不同樣本進(jìn)行不同程度的擾動,過程較為復(fù)雜,且無法徹底抑制大規(guī)模冗余數(shù)據(jù)干擾,存在數(shù)據(jù)檢測正確率低的問題。提出基于改進(jìn)關(guān)聯(lián)規(guī)則的大規(guī)模冗余數(shù)據(jù)干擾下的網(wǎng)絡(luò)異常數(shù)據(jù)準(zhǔn)確檢測方法。定義異常數(shù)據(jù)的支持度和置信度,并給出最小支持度閾值和最小置信度閾值,利用混沌理論從網(wǎng)絡(luò)全部數(shù)據(jù)序列中獲取描述異常數(shù)據(jù)特征的混沌數(shù)據(jù)特征關(guān)聯(lián),定義正常數(shù)據(jù)間的緊密性和異常數(shù)據(jù)間的緊密度量,并得到當(dāng)前各聚類內(nèi)數(shù)據(jù)點的緊密性程度大小,利用數(shù)據(jù)特征聚類的緊密性與分離性方法對含有大規(guī)模冗余數(shù)據(jù)干擾的網(wǎng)絡(luò)環(huán)境進(jìn)行抑制,完成對網(wǎng)絡(luò)異常數(shù)據(jù)準(zhǔn)確檢測。仿真結(jié)果表明,所提方法檢測精確度高,可有效地保障網(wǎng)絡(luò)安全穩(wěn)定的運行。
[Abstract]:Big data environment to the network anomaly data accurate detection can ensure the security of the network system.When the traditional method is used to detect abnormal data, different samples of all data need to be disturbed to different degrees, the process is more complicated, and the interference of large-scale redundant data can not be completely suppressed, so there is a problem of low accuracy of data detection.An accurate detection method of network anomaly data based on improved association rules is proposed under the interference of large scale redundant data.The support degree and confidence degree of the abnormal data are defined, and the minimum support threshold and the minimum confidence threshold are given. The chaotic data feature association describing the abnormal data feature is obtained from all the data sequences of the network by using chaos theory.The compactness between normal data and abnormal data is defined, and the degree of tightness of data points in each cluster is obtained.By using the method of data clustering compactness and separability, the network environment with large scale redundant data interference is suppressed, and the network anomaly data is detected accurately.The simulation results show that the proposed method has high detection accuracy and can effectively ensure the safe and stable operation of the network.
【作者單位】： 聊城大學(xué)東昌學(xué)院;
【分類號】：TP311.13;TP393.08

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 姜大治;韓先平;;基于雙向檢驗的異常數(shù)據(jù)剔除與修復(fù)方法[J];電光與控制;2013年06期

2 謝杰;;基于小世界模型對異常數(shù)據(jù)的分析技術(shù)[J];信息安全與通信保密;2014年01期

3 王建州,馬志新,李廉;基于混沌的異常數(shù)據(jù)的動態(tài)識別與挖掘[J];清華大學(xué)學(xué)報(自然科學(xué)版);2005年S1期

4 葉家宇;張順健;黃劍;;基于概率分布的異常數(shù)據(jù)發(fā)現(xiàn)與識別算法[J];計算機應(yīng)用與軟件;2012年11期

5 曾紹華;魏延;唐遠(yuǎn)炎;;剔除支持向量回歸中異常數(shù)據(jù)算法[J];重慶大學(xué)學(xué)報;2012年12期

6 姚衛(wèi)新,黃麗華;智能數(shù)據(jù)分析中的異常數(shù)據(jù)管理[J];科技導(dǎo)報;2004年07期

7 孫士兵;趙歡;;一種異常數(shù)據(jù)診斷應(yīng)用的穩(wěn)健回歸算法[J];科學(xué)技術(shù)與工程;2007年15期

8 劉降珍;;異常數(shù)據(jù)挖掘中幾種常用方法的比較[J];現(xiàn)代計算機(專業(yè)版);2012年34期

9 姚成;龔毅;濮光寧;葛文龍;;學(xué)生評教異常數(shù)據(jù)的篩選與處理[J];牡丹江師范學(xué)院學(xué)報(自然科學(xué)版);2012年03期

10 劉章文,任天怡,古天祥;3維數(shù)據(jù)的置信區(qū)間及異常數(shù)據(jù)的修復(fù)[J];計算機集成制造系統(tǒng);2005年04期

相關(guān)博士學(xué)位論文 前1條

1 姚衛(wèi)新;智能數(shù)據(jù)分析中異常數(shù)據(jù)的集成化管理方法研究[D];復(fù)旦大學(xué);2004年

，

本文編號：1748967