本文選題：主題模型 + 異常行為　； 參考：《計(jì)算機(jī)科學(xué)》2016年09期

【摘要】：提出了一種新的用于學(xué)習(xí)和分辨網(wǎng)絡(luò)異常行為的方法。與之前的工作相比,將采用主題模型對網(wǎng)絡(luò)異常行為進(jìn)行建模并構(gòu)建分類器。根據(jù)連接的分類標(biāo)簽,在訓(xùn)練模型之前將數(shù)據(jù)集分成兩部分,即正常的部分和異常的部分。通過分析模型參數(shù)對結(jié)果的影響可以發(fā)現(xiàn)α(主題的狄利克雷參數(shù))和主題數(shù)量對于預(yù)測結(jié)果具有正相關(guān)性,而β(特征號(hào)的狄利克雷參數(shù))對于預(yù)測結(jié)果具有負(fù)相關(guān)性。通過KDDCUP’99數(shù)據(jù)集對該模型進(jìn)行評估,結(jié)果顯示預(yù)測的準(zhǔn)確度達(dá)到91.69%,比SVM等算法在正常和異常行為分類上的表現(xiàn)更好。
[Abstract]:A new method for learning and distinguishing abnormal behaviors of networks is proposed. Compared with previous work, topic model is used to model network anomaly behavior and construct classifier. According to the join label, the data set is divided into two parts before training model, that is, the normal part and the abnormal part. By analyzing the influence of model parameters on the results, it can be found that 偽 (the Delikler parameter of the topic) and the number of the topics have positive correlation to the predicted results, while 尾 (the Delikler parameter of the characteristic number) has a negative correlation to the predicted results. The model is evaluated by KDDCUP'99 data set, and the results show that the accuracy of prediction is 91.69, which is better than that of SVM and other algorithms in the classification of normal and abnormal behavior.
【作者單位】： 國防科學(xué)技術(shù)大學(xué)計(jì)算機(jī)學(xué)院;
【基金】：國家自然科學(xué)基金項(xiàng)目(61472439,61303264,61271252)資助
【分類號(hào)】：TP393.08

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 羅超宇;;基于視頻序列的人體異常行為檢測技術(shù)分析[J];電子制作;2013年18期

2 崔永艷;高陽;;基于多示例學(xué)習(xí)的異常行為檢測方法[J];模式識(shí)別與人工智能;2011年06期

3 陸海先;郭立;桂樹;謝錦生;;基于潛在主題的視頻異常行為分析[J];通信技術(shù);2012年07期

4 周維柏;李蓉;;基于軌跡特征分析的行人異常行為識(shí)別[J];電腦編程技巧與維護(hù);2010年12期

5 李曉東;凌捷;;基于視頻監(jiān)控參考量的異常行為檢測研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2012年09期

6 姬曉飛;吳倩倩;李一波;;改進(jìn)時(shí)空特征的人體異常行為檢測方法研究[J];沈陽航空航天大學(xué)學(xué)報(bào);2013年05期

7 桑海峰;郭昊;徐超;;基于運(yùn)動(dòng)特征的人體異常行為識(shí)別[J];中國科技論文;2014年07期

8 王傳旭;董晨晨;;基于時(shí)空特征點(diǎn)的群體異常行為檢測算法[J];數(shù)據(jù)采集與處理;2012年04期

9 沈海燕;馮云梅;史宏;;基于信息融合的客運(yùn)站人體異常行為識(shí)別研究[J];公路交通科技;2009年S1期

10 陳穎鳴;陳樹越;張顯亭;;智能視頻監(jiān)控中異常行為識(shí)別研究[J];微電子學(xué)與計(jì)算機(jī);2010年11期

相關(guān)會(huì)議論文 前1條

1 王碧英;孫健敏;;公仆型領(lǐng)導(dǎo)對員工行為的影響[A];第十二屆全國心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

相關(guān)博士學(xué)位論文 前5條

1 林娜;小鼠異常行為的遺傳基礎(chǔ)研究[D];東北農(nóng)業(yè)大學(xué);2006年

2 Popoola Oluwatoyin Pius;擁擠環(huán)境下的異常行為檢測研究[D];哈爾濱工程大學(xué);2012年

3 張軍;基于視頻的運(yùn)動(dòng)人體異常行為分析識(shí)別研究[D];西安電子科技大學(xué);2009年

4 劉皓;基于條件隨機(jī)場模型的異常行為檢測方法研究[D];中國科學(xué)技術(shù)大學(xué);2014年

5 張毅;MANET環(huán)境中基于移動(dòng)Agent的異常行為檢測與防御[D];哈爾濱工程大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 張雁冰;監(jiān)控視頻中人體異常行為檢測研究[D];深圳大學(xué);2015年

2 梁玉;基于ORB興趣點(diǎn)的異常行為檢測技術(shù)研究[D];鄭州大學(xué);2015年

3 陳崗;治安監(jiān)控中基于計(jì)算機(jī)視覺的異常行為檢測技術(shù)研究[D];上海交通大學(xué);2015年

4 許龍;視頻中的異常行為檢測與分析研究[D];上海交通大學(xué);2015年

5 姚源;視頻中異常行為發(fā)現(xiàn)方法研究及實(shí)現(xiàn)[D];電子科技大學(xué);2014年

6 王朝新;基于視頻的行人異常行為檢測技術(shù)的應(yīng)用研究[D];電子科技大學(xué);2014年

7 張海峰;陽煤集團(tuán)視頻異常監(jiān)控系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

8 張丹;視頻監(jiān)控系統(tǒng)下航站樓旅客異常行為檢測方法研究[D];南京航空航天大學(xué);2014年

9 梁琛華;視頻監(jiān)控中的人體異常行為識(shí)別[D];國防科學(xué)技術(shù)大學(xué);2013年

10 朱明凌;面向智能視頻監(jiān)控系統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測與異常行為分析[D];中國計(jì)量學(xué)院;2015年

，

本文編號(hào)：1921537