摘要：基于机器学习的系统在网络安全应用最多的是基于精心设计的输入特征的浅层模型,这种方法的主要限制是手工设计的特征在不同场景和攻击类型下不能很好地被执行,而深度学习模型可以从原始的、未经处理的数据中学习特征表示,从而解决这一问题。基于此,探讨深度学习模型检测异常网络流量的能力,将来自监控字节流的原始测量作为所提出模型的输入,并评估不同的原始流量(数据包和数据流级)的特征表示。提出一种基于深度学习的模型,能够捕捉异常流量的基本统计数据,而不需要任何类型的手工设计的特征。在包含不同类型异常流量的公开流量跟踪上进行实验,结果证明该模型检测异常流量的准确性高,且优于传统的浅层模型。

摘要：数字化变电站通信网异常流量检测过程中易陷入局部最优,导致检测结果不精准。为了解决这个问题,提出了基于Wolf的数字化变电站通信网异常流量检测系统。构建系统总体结构,分析通信网流量异常频域特征。通过采集异常流量模块解析目的物理地址,检查组件为系统提供信息交互引擎。使用Wolf算法将混沌序列映射到数字化变电站通信网异常流量多维相空间,设置控制收敛因子,避免检测结果陷入局部最优。计算异常流量特征值的熵,判断流量异常类型。实验结果表明,该系统一次设备异常流量检测结果与实际数据一致,二次设备异常流量检测结果与实际数据存在最大为2 Mb/s的误差,说明使用所设计系统检测结果精准。

摘要：计算机网络流量数据具有复杂结构和多变性的特点，传统方法难以直接、准确地捕捉并识别出异常流量特征的真实概率分布关系，从而导致异常流量识别的准确性降低。为了克服这一难题，提出基于梯度提升决策树的计算机网络异常流量识别方法。首先，计算基线向量差值以量化正常流量与潜在异常流量之间的差异，并据此初步确定哪些流量数据可能属于异常。利用隐马尔可夫模型对这些潜在的异常流量进行时序特征概率分布关系的分析，并在考虑业务行为的基础上提取异常流量时序特征。然后，引入DIP深度包检测技术，锁定这些异常流量的源IP地址。最后，利用梯度提升决策树(GBDT)构建多个弱学习器，并结合叉熵损失函数来指导模型的训练过程。在训练过程中，GBDT会从流量数据中学习并提取特征(包括DIP技术锁定的IP地址等)，构建出一个能够准确分类异常流量的模型。实验结果表明，所提出的方法在异常流量识别方面的平均准确率达到96.60%，平均查全率为96.99%，而平均漏报率仅为0.18%。这些结果表明，所设计的方法具有较高的识别效果和良好的应用性能，能够有效应对计算机网络中复杂多变的异常流量。

摘要：随着大数据、人工智能等网络技术在人们生产生活中的常态化应用,网络流量安全成为当前亟待解决的问题。基于此,针对现有模型过于复杂,且难以保障识别高精度条件的问题展开分析,并对基于LSTM-RNN(长短期记忆—循环神经网络)的有监督流量异常检测模型的讨论。同时,还针对现有模型过于依赖数据标签的情况进行优化,提出一种基于Autoencoder-LOF(自动编码器—局部离群因子)的无监督流量异常检测模型,以保证及时捕捉关键信息。对优化后的深度学习模型进行实验设计,结果显示,能够及时发现流量异常现象,为我国网络安全事业的创新提供有力参考。

摘要：网络流量异常状态检测是发现潜在安全威胁的重要手段,但是现有异常流量检测方法普遍存在环境适应性不强、协同能力较弱等问题。结合SDN网络的拓扑结构与流量特征,提出基于联邦学习的异常流量协同检测技术。利用SDN网络中的检测节点,构建基于联邦学习的多检测节点协同检测架构。通过信息熵计算提取流量特征,从相对熵的角度分析检测节点的流量关联度,并根据该关联度设计模型训练过程中的参数聚合权重优化算法,提高检测模型的适应能力。应用参数聚合权重优化算法进行多检测节点异常流量检测模型的协同训练,提升检测模型对异常流量的识别准确率。仿真结果表明,与本地独立训练和传统联邦学习算法相比,基于参数聚合权重优化算法的识别准确率分别提升了31.69%和7.92%,具有更好的异常流量检测效果及更强的环境适应能力。

摘要：针对SDN网络中控制器容易受到DDoS攻击导致CPU资源耗尽的问题,提出一种基于机器学习的SDN异常流量检测架构。根据DDoS攻击在通信、频率等方面的特性从流表中提取相关联的七维特征,使用互信息法筛选出四维最优特征子集,结合集成投票算法检测异常流量,利用SDN转控分离的独特性质提出多目标流路由方案,为正常流量分配高带宽、低延迟的优化路径。实验结果表明,提出架构能及时准确检测到DDoS攻击,集成投票算法在时间开销和CPU平均利用率方面有较好改善。

摘要：由于数据自身缺陷的干扰,导致对异常流量检测结果的可靠性相对较低,为此提出基于数据挖掘的局域网异常流量检测方法。根据数据的分布设置网络允许异常阈值,将其作为数据预处理的基准,通过丢弃异常属性大于网络允许阈值的数据,实现对数据的预处理。采用one-hot编码数值化的方式对预处理后的数据进行简化,利用数据挖掘中的欧式距离计算任意两个连续数据之间的关系,并将欧式距离差值大于等于整体流量数据阈值上限,或小于等于整体流量数据阈值下限的数据判定为异常数据,以此实现对局域网异常流量的检测。测试结果中,设计方法对异常流量检测的准确率稳定在88.00%以上,且错误率低于5.00%。

摘要：以科来网络回溯分析系统为技术工具,提出一套行之有效的异常流量分析方案。首先介绍异常流量概念,其次对科来网络回溯分析系统进行架构设计和安装,最后对流量猛增、传输控制协议(Transmission Control Protocol,TCP)请求异常、数据包过大3种案例进行研究。结果表明,提出的异常流量分析方案具有较高的可靠性和可行性,不仅可以实现对网络通信数据包的实时记录,还能借助控制台直观趋势图,快速定位和分析网络异常流量,并确定造成异常流量的原因,完全符合实际应用需求。

摘要：针对在NetFlow数据流的环境中,如何解决海量数据识别的问题,提出基于K层特征模型的异常流量识别算法。采用优先级策略依次打开索引表,读取异常行为,并与异常行为的特征值逐条匹配,匹配成功作标记,确定异常行为类型。实验结果表明,该算法能够快速有效地识别异常数据流,提高了海量数据识别的实效性,有效地解决了网络安全问题,达到设计目标。

摘要：在大型网络系统中,会因为网络拥堵或者病毒入侵产生网络异常流量,通过对网络异常流量的监控系统设计保障网络的安全稳定。传统的网络异常流量监控系统采用BP神经网络控制算法,由于BP神经网络的结构单一性,对异常流量中干扰性较强的数据难以有效检测发现,提出一种基于改进的模糊PID控制的网络流量异常监控系统设计方法,在流量传输模型和时间序列分析模型构建的基础上,提取异常流量序列的定量递归熵特征,采用模糊PID神经网络控制方法进行流量监控系统设计,把监控到的异常流量通过链路信道回馈给输出层。仿真结果表明,采用该方法进行网络异常流量监控,能准确检测出异常的频谱特征,从而在时域上进行追溯定位,实现流量异常点的准确检测,对异常流量的准确检测概率比传统方法高。