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),可以保護網(wǎng)絡(luò)以及計算機系統(tǒng)免受入侵并保持正常運作。隨著數(shù)據(jù)挖掘、機器學習等技術(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化、高性能以及能夠檢測未知異常流量的特點,然而這種方法在當前網(wǎng)絡(luò)環(huán)境下的檢測還面臨許多難點,如標記缺乏、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以及應用。具體工作如下：·基于網(wǎng)絡(luò)數(shù)據(jù)的高維性以及標記難以獲取的特性,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)型的特征進行處理。仿真實驗表明該無監(jiān)督特征選擇算法在分類準確度上與有監(jiān)督方法相當�！せ诋斍熬W(wǎng)絡(luò)環(huán)境使用聚類方法進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雜度上存在瓶頸,我們對該算法進行了合理的非偏抽樣的改進,降低空間以及時間復雜度,而在準確率上沒有明顯降低。仿真實驗表明,相較一些主流聚類算法,該算法運行時間以及檢測率上有著優(yōu)勢。·為了滿足檢測的及時性,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檢測。該方法時間復雜度過高使得迭代到最優(yōu)解所需代價太大,本文通過抽樣選出近似的K個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,對離群點進行進一步的檢測,以降低誤判率。最后通過仿真實驗證明該離群點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)督學習 特征選擇 聚類分析
【學位授予單位】：華東師范大學
【學位級別】：碩士
【學位授予年份】：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 當前檢測所面臨的難點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 實驗結(jié)果及分析40-46
• 3.4.1 數(shù)據(jù)集41-42
• 3.4.2 實驗性能評估42-46
• 第四章 基于改進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50-52
• 4.4 實驗結(jié)果及分析52-58
• 4.4.1 實驗設(shè)置53-54
• 4.4.2 實驗性能評估54-58
• 第五章 基于改進K中心點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PAM的離群點檢測算法62-66
• 5.3 通過FP-Growth算法挖掘關(guān)聯(lián)規(guī)則66-68
• 5.4 實驗結(jié)果及分析68-75
• 5.4.1 實驗設(shè)置68-71
• 5.4.2 實驗性能評估71-75
• 第六章 總結(jié)與展望75-77
• 參考文獻77-84
• 致謝84-86
• 攻讀碩士學位期間發(fā)表論文、參與科研和獲得榮譽情況86

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張開遜;流量檢測的科學原理[J];自動化博覽;1994年05期

2 王小平;王建勇;楊塤;;采用云計算技術(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——井角機的研制[J];長春光學精密機械學院學報;1991年Z1期

5 潘秦華;一種實時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)的保護方法[J];自動化儀表;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)的應用[J];湖南電力;2004年02期

8 朱勇,虞鶴松,徐yNU

本文編號：262980