發(fā)布時(shí)間：2017-03-23 05:07

  本文關(guān)鍵詞：基于數(shù)據(jù)挖掘的異常流量檢測技術(shù)，，由筆耕文化傳播整理發(fā)布。

【摘要】：網(wǎng)絡(luò)異常流量檢測是網(wǎng)絡(luò)安全中至關(guān)重要的一環(huán),可以保護(hù)網(wǎng)絡(luò)以及計(jì)算機(jī)系統(tǒng)免受入侵并保持正常運(yùn)作。隨著數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等技術(shù)近年來的快速發(fā)展,這些技術(shù)開始對網(wǎng)絡(luò)異常流量領(lǐng)域的研究產(chǎn)生越來越重要的作用。盡管基于數(shù)據(jù)挖掘的異常流量檢測方法具有自動(dòng)化、高性能以及能夠檢測未知異常流量的特點(diǎn),然而這種方法在當(dāng)前網(wǎng)絡(luò)環(huán)境下的檢測還面臨許多難點(diǎn),如標(biāo)記缺乏、數(shù)據(jù)高維、算法低效以及高假陽性等問題,都需要進(jìn)一步的解決。本文主要研究數(shù)據(jù)挖掘算法在異常流量檢測中的算法改進(jìn)以及應(yīng)用。具體工作如下：·基于網(wǎng)絡(luò)數(shù)據(jù)的高維性以及標(biāo)記難以獲取的特性,本文提出了基于最大信息系數(shù)的非監(jiān)督特征選擇算法。通過最大信息系數(shù)獲得連續(xù)變量之間的最優(yōu)互信息,用以表示特征的重要度以及冗余度。通過本文提出的特征聚類算法,分別對離散型以及連續(xù)型的特征進(jìn)行處理。仿真實(shí)驗(yàn)表明該無監(jiān)督特征選擇算法在分類準(zhǔn)確度上與有監(jiān)督方法相當(dāng)�！せ诋�(dāng)前網(wǎng)絡(luò)環(huán)境使用聚類方法進(jìn)行異常檢測更為合適,我們引入了密度峰值聚類算法。盡管該算法重新思考簇中心的定義,精確直觀選擇聚類簇中心,但是該算法在空間復(fù)雜度上存在瓶頸,我們對該算法進(jìn)行了合理的非偏抽樣的改進(jìn),降低空間以及時(shí)間復(fù)雜度,而在準(zhǔn)確率上沒有明顯降低。仿真實(shí)驗(yàn)表明,相較一些主流聚類算法,該算法運(yùn)行時(shí)間以及檢測率上有著優(yōu)勢�！榱藵M足檢測的及時(shí)性,本文提出數(shù)據(jù)包格式的異常流量檢測方法。我們引入K中心聚類用于離群點(diǎn)檢測。該方法時(shí)間復(fù)雜度過高使得迭代到最優(yōu)解所需代價(jià)太大,本文通過抽樣選出近似的K個(gè)簇中心并從近似中心的鄰域中尋找精確聚類中心以減少迭代次數(shù)。此外,通過FP-growth算法對規(guī)則的挖掘,對離群點(diǎn)進(jìn)行進(jìn)一步的檢測,以降低誤判率。最后通過仿真實(shí)驗(yàn)證明該離群點(diǎn)算法在入侵檢測上的有效性與可靠性。
【關(guān)鍵詞】：網(wǎng)絡(luò)安全 異常流量檢測 無監(jiān)督學(xué)習(xí) 特征選擇 聚類分析
【學(xué)位授予單位】：華東師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP311.13;TP393.06
【目錄】：

• 摘要6-7
• Abstract7-11
• 第一章 緒論11-21
• 1.1 研究背景與意義11-12
• 1.2 網(wǎng)絡(luò)異常檢測概述12-17
• 1.2.1 異常檢測方法概述14-17
• 1.3 數(shù)據(jù)挖掘概述17-20
• 1.4 研究內(nèi)容及組織結(jié)構(gòu)20-21
• 第二章 相關(guān)研究工作21-31
• 2.1 基于數(shù)據(jù)挖掘的異常檢測22-28
• 2.1.1 基于分類的異常檢測22-25
• 2.1.2 基于聚類的異常檢測25-26
• 2.1.3 基于特征選擇的異常檢測26-28
• 2.2 該領(lǐng)域產(chǎn)品與專利情況28-29
• 2.3 當(dāng)前檢測所面臨的難點(diǎn)29-31
• 第三章 基于最大信息系數(shù)的特征聚類選擇算法31-46
• 3.1 相關(guān)概念33-35
• 3.2 最大信息系數(shù)35-37
• 3.3 本文提出的特征聚類算法37-40
• 3.4 實(shí)驗(yàn)結(jié)果及分析40-46
• 3.4.1 數(shù)據(jù)集41-42
• 3.4.2 實(shí)驗(yàn)性能評估42-46
• 第四章 基于改進(jìn)的密度峰值聚類異常流量檢測算法46-58
• 4.1 相關(guān)概念46-48
• 4.2 密度峰值聚類算法48-50
• 4.3 本文對密度峰值聚類算法的改進(jìn)50-52
• 4.4 實(shí)驗(yàn)結(jié)果及分析52-58
• 4.4.1 實(shí)驗(yàn)設(shè)置53-54
• 4.4.2 實(shí)驗(yàn)性能評估54-58
• 第五章 基于改進(jìn)K中心點(diǎn)的異常流量檢測算法58-75
• 5.1 相關(guān)概念58-62
• 5.2 基于改進(jìn)PAM的離群點(diǎn)檢測算法62-66
• 5.3 通過FP-Growth算法挖掘關(guān)聯(lián)規(guī)則66-68
• 5.4 實(shí)驗(yàn)結(jié)果及分析68-75
• 5.4.1 實(shí)驗(yàn)設(shè)置68-71
• 5.4.2 實(shí)驗(yàn)性能評估71-75
• 第六章 總結(jié)與展望75-77
• 參考文獻(xiàn)77-84
• 致謝84-86
• 攻讀碩士學(xué)位期間發(fā)表論文、參與科研和獲得榮譽(yù)情況86

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張開遜;流量檢測的科學(xué)原理[J];自動(dòng)化博覽;1994年05期

2 王小平;王建勇;楊塤;;采用云計(jì)算技術(shù)的網(wǎng)絡(luò)流量檢測[J];電訊技術(shù);2014年05期

3 郭玲玲;袁彬;張靜;;基于視頻的車流量檢測模擬[J];商品與質(zhì)量;2010年SA期

4 李殿武;;閘門定流量檢測裝置——井角機(jī)的研制[J];長春光學(xué)精密機(jī)械學(xué)院學(xué)報(bào);1991年Z1期

5 潘秦華;一種實(shí)時(shí)可靠的視頻交通流量檢測方法[J];電子科技;2005年07期

6 李耀民,鄔義杰;智能流量檢測系統(tǒng)高可靠性數(shù)據(jù)的保護(hù)方法[J];自動(dòng)化儀表;2003年10期

7 孟軍,孟廣玉;超聲波流量檢測技術(shù)在電力行業(yè)的應(yīng)用[J];湖南電力;2004年02期

8 朱勇,虞鶴松,徐yNU

本文編號：262980