摘要：复杂工业通信网络中,存在大差异多传感器采集外部信息,导致异常流量监测的阈值存在多样性。当前方法以单一阈值完成异常流量检测,存在监测精度低、监测时效性差的问题。通过引入多传感器信息融合技术,设计一种工业通信网络异常流量监测方法。首先,应用多传感器融合技术,为改善局部滤波器的估计精度,选用丢失观测的预报值作为补偿,在此基础上,给出任意两个估计误差之间的互相协方差矩阵,利用该滤波方法实现对通信网络数据滤波处理。然后,基于矩阵模型的平面和2D坐标属性,将流量特征指纹库按一定的规律进行排序,因为特征经验库具有识别通信网络流量异常的作用,通过与位置特征相结合的方法,建立异常流量匹配模型,对网络中的异常流量进行监测,并确定异常流量产生位置。最后,实验结果表明,新的监测方法具备更高的监测精度,同时能够保证良好的监测时效性,实现对异常流量的快速监测反馈。

摘要：探究一种多出口流量数据高效清洗方法,能够提高流量数据高效清洗的同一性,降低出错率,增强多出口流量高效清洗的清洗效果,具备一定的实用性。针对当前方法在清洗多出口流量数据时,由于多个交换机设计结构不同导致高效清洗的流量数据与原流量数据存在不同一的问题,提出一种基于Rough集理论的多出口流量数据高效清洗方法,通过建立差分自回归移动平均模型,运用该模型对在某时间点含有残缺值的差分自回归移动平均模型进行计算,得到三种流量数据缺失值清洗模型,依据这三种模型得到扁平化网络多出口流量数据高效清洗模型。将清洗流量数据四元组作为出入,计算流量数据清洗函数值,输出高效清洗多出口流量数据,实现多出口流量数据高效清洗。仿真证明,所提方法能够减小噪声点的干扰,提高查全率,降低出错率,提高高效清洗的同一性。

摘要：网络流量预测可以对大规模网络进行合理的管理、规划和设计。但传统网络存在隐蔽信道攻击行为,在正常的传输中隐秘地传送一些信息。上述隐秘信息不具备明显的检测特征,导致传统方法进行网络流量预测时,不能根据流量特征检测到隐秘信息流量,导致检测值与真实值之间差距过大,网络流量预测误差大。提出一种采用马尔柯夫链算法的IPV6环境下的网络流量预测方法。首先对IPV6环境下的网络流量历史值进行分析,计算网络流量历史观察值加权后的总和,根据总和建立马尔柯夫链网络流量预测模型,对IPV6环境下的网络流量作出初步的预测,并将灰色理论引入到组建的马尔柯夫链模型中,得到IPV6环境下网络流量初步预测的残差值,并对其进行修正,将IPV6环境下的网络流量状态划分为不同的区间,以此为依据对IPV6环境下的网络流量进行精确的预测。仿真结果证明,改进算法可以有效预测IPV6环境下的网络流量的变化趋势,提升了IPV6环境下的网络性能管理质量。