云計(jì)算在可靠性問(wèn)題上面臨著巨大的挑戰(zhàn)。隨著越來(lái)越多的個(gè)人和企業(yè)將信息放在云上，如何提高云計(jì)算的可靠性成為一個(gè)研究熱點(diǎn)。而云計(jì)算平臺(tái)上豐富的信息和資源也是各種入侵者的熱點(diǎn)目標(biāo)。云計(jì)算體系的每一層結(jié)構(gòu)都面臨著各種危險(xiǎn)，可能是由用戶的錯(cuò)誤操作或外部的惡意入侵造成的。與傳統(tǒng)的計(jì)算環(huán)境相比，云計(jì)算具有虛擬化、分布式、動(dòng)態(tài)行為和非常大的數(shù)據(jù)規(guī)模等特點(diǎn)，這也導(dǎo)致了傳統(tǒng)的異常檢測(cè)算法不適用于云計(jì)算環(huán)境。本文基于局部異常因子（LOF）算法設(shè)計(jì)了自適應(yīng)的在線實(shí)時(shí)異常檢測(cè)機(jī)制。LOF算法根據(jù)局部密度為每個(gè)測(cè)試數(shù)據(jù)計(jì)算異常分?jǐn)?shù)，異常分?jǐn)?shù)說(shuō)明了該測(cè)試數(shù)據(jù)的異常程度。該異常檢測(cè)機(jī)制工作于半監(jiān)督模式下，也適用于非監(jiān)督模式，允許訓(xùn)練數(shù)據(jù)中存在少量異常。同時(shí)，該機(jī)制可以自動(dòng)根據(jù)最近的系統(tǒng)行為特征改變自身的正常行為模型。這是一種數(shù)據(jù)驅(qū)動(dòng)的、適用范圍廣、通用性好的在線實(shí)時(shí)異常檢測(cè)機(jī)制。為了評(píng)估異常檢測(cè)的效率，我們搭建了模擬云計(jì)算環(huán)境的平臺(tái)，在不同的虛擬機(jī)上運(yùn)行幾種常見背景應(yīng)用，并注入幾種典型異常來(lái)模擬異常入侵。使用sysstat工具采集純背景應(yīng)用下的系統(tǒng)狀態(tài)作為訓(xùn)練數(shù)據(jù)建立正常行為的模型，在注入異常階段，每分鐘采集一次系統(tǒng)... 

【文章來(lái)源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 問(wèn)題的提出
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 云計(jì)算的研究現(xiàn)狀
        1.2.2 云計(jì)算故障診斷的研究現(xiàn)狀
        1.2.3 追溯保障技術(shù)的研究現(xiàn)狀
    1.3 論文的主要內(nèi)容與章節(jié)安排
第二章 現(xiàn)有異常檢測(cè)算法
    2.1 異常檢測(cè)問(wèn)題簡(jiǎn)介
    2.2 異常檢測(cè)問(wèn)題的組成部分
        2.2.1 輸入數(shù)據(jù)的性質(zhì)
        2.2.2 異常的類型
        2.2.3 數(shù)據(jù)標(biāo)簽
        2.2.4 異常檢測(cè)的輸出
    2.3 基于分類的異常檢測(cè)技術(shù)
        2.3.1 基于神經(jīng)網(wǎng)絡(luò)
        2.3.2 基于貝葉斯網(wǎng)絡(luò)
        2.3.3 基于支持向量機(jī)
        2.3.4 基于規(guī)則
        2.3.5 算法性能分析
    2.4 基于最近鄰的異常檢測(cè)技術(shù)
        2.4.1 基于第 k 個(gè)最近鄰的距離
        2.4.2 基于相對(duì)密度
        2.4.3 算法性能分析
    2.5 基于聚類的異常檢測(cè)技術(shù)
        2.5.1 聚類的定義
        2.5.2 聚類與最近鄰的區(qū)別
        2.5.3 算法性能分析
    2.6 基于統(tǒng)計(jì)的異常檢測(cè)技術(shù)
        2.6.1 參數(shù)方法
        2.6.2 非參數(shù)方法
        2.6.3 算法性能分析
    2.7 基于頻譜的異常檢測(cè)技術(shù)
        2.7.1 主成分分析
        2.7.2 算法性能分析
    2.8 上下文異常檢測(cè)
    2.9 本章小結(jié)
第三章 基于 LOF 的異常檢測(cè)機(jī)制設(shè)計(jì)
    3.1 Local Outlier Factor （LOF）
        3.1.1 計(jì)算 p 的 k-距離（k-distance）
        3.1.2 計(jì)算 p 的 k-距離鄰居集合
        3.1.3 計(jì)算對(duì)象 p 的相對(duì)于對(duì)象 o 的可到達(dá)距離
        3.1.4 計(jì)算對(duì)象 p 的局部可達(dá)到密度
        3.1.5 計(jì)算對(duì)象 p 的 LOF
    3.2 最近鄰查詢
        3.2.1 最近鄰的度量標(biāo)準(zhǔn)
        3.2.2 檢索中的排序
        3.2.3 檢索時(shí)刪除冗余的方法
        3.2.4 k 最近鄰檢索算法
    3.3 數(shù)據(jù)結(jié)構(gòu) R-Tree
        3.3.1 搜索
        3.3.2 插入
        3.3.3 分拆
        3.3.4 刪除
    3.4 異常檢測(cè)系統(tǒng)
        3.4.1 訓(xùn)練階段
        3.4.2 實(shí)時(shí)測(cè)試階段
    3.5 LOF 算法性能分析
    3.6 本章小結(jié)
第四章 適時(shí)自適應(yīng)異常檢測(cè)系統(tǒng)的實(shí)現(xiàn)與評(píng)測(cè)
    4.1 試驗(yàn)程序編寫與測(cè)試
    4.2 環(huán)境搭建
        4.2.1 平臺(tái)搭建
        4.2.2 背景應(yīng)用
        4.2.3 故障注入
        4.2.4 原始數(shù)據(jù)采集
        4.2.5 原始數(shù)據(jù)分析
    4.3 結(jié)果與分析
        4.3.1 檢測(cè)指標(biāo)
        4.3.2 應(yīng)用于 SLG2 服務(wù)器的效率
        4.3.3 應(yīng)用于 SLT1 服務(wù)器的效率
        4.3.4 應(yīng)用于 SLG1 服務(wù)器的效率
        4.3.5 應(yīng)用于 WEB 服務(wù)器的效率
        4.3.6 效率評(píng)估
    4.4 本章小結(jié)
第五章 結(jié)束語(yǔ)
    5.1 主要工作與創(chuàng)新點(diǎn)
    5.2 后續(xù)研究工作
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間已發(fā)表或錄用的論文


【參考文獻(xiàn)】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)規(guī)則在故障診斷中的應(yīng)用[J]. 劉晶,季海鵬.  工業(yè)工程. 2011(02)
[2]基于時(shí)序模式挖掘的故障診斷方法[J]. 胡瑞飛,王玲,梅筱琴,羅陽(yáng).  計(jì)算機(jī)集成制造系統(tǒng). 2010(07)
[3]云計(jì)算技術(shù)簡(jiǎn)述[J]. 戴元順.  信息通信技術(shù). 2010(02)
[4]云計(jì)算研究進(jìn)展綜述[J]. 張建勛,古志民,鄭超.  計(jì)算機(jī)應(yīng)用研究. 2010(02)
[5]云計(jì)算:系統(tǒng)實(shí)例與研究現(xiàn)狀[J]. 陳康,鄭緯民.  軟件學(xué)報(bào). 2009(05)
[6]異常檢測(cè)技術(shù)的研究與發(fā)展[J]. 閻巧,謝維信.  西安電子科技大學(xué)學(xué)報(bào). 2002(01)



本文編號(hào)：3005042