發(fā)布時間：2022-01-20 09:22

　　社交網(wǎng)絡(luò)、網(wǎng)絡(luò)通信等平臺現(xiàn)在已經(jīng)成為人們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠�。然而一些惡意用戶通過不法手段進(jìn)行的惡意行為給正常用戶帶來了巨大的不便和潛在的危險�；趫D論的用戶異常行為建模分析技術(shù)已經(jīng)逐漸成為國內(nèi)外學(xué)術(shù)界的研究熱點,本文針對靜態(tài)圖和動態(tài)圖模型的兩類異常行為檢測問題進(jìn)行分析建模,提出解決方案并通過實驗驗證提出算法的有效性和擴展性,具體內(nèi)容如下:（1）針對靜態(tài)圖模型的異常檢測問題,提出了一種基于分類樹的、無監(jiān)督的異常檢測算法KD-Forest。該算法提取基于圖結(jié)構(gòu)信息的多維特征,使用KD樹構(gòu)造分類樹,通過Bagging方法選取特征提高隨機性。通過對超過十萬個節(jié)點的真實社交網(wǎng)絡(luò)數(shù)據(jù)集進(jìn)行實驗,驗證算法具有較好的擴展性,本方案相較于現(xiàn)有的相關(guān)的分類算法在時間效率和空間復(fù)雜度上有較高的提升,且在準(zhǔn)確率和ROC值上有較好的表現(xiàn)。（2）針對動態(tài)圖模型的異常檢測問題,提出了一種基于LSTM的時間序列異常時間點檢測算法。提出了一種基于圖距離的相似性特征度量方案,具體包括圖結(jié)構(gòu)距離和圖編輯距離兩大類,使用特征值訓(xùn)練分類模型進(jìn)行異常檢測。通過對超過百萬條的網(wǎng)絡(luò)IP數(shù)據(jù)流分類進(jìn)行入侵檢測,驗證本方案的可行... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：55 頁

【學(xué)位級別】：碩士

【部分圖文】：

高度為5的KD樹劃分情況

士研究生學(xué)位論文 第三章 基于圖的無監(jiān)督 KD-Forest 異常評價依據(jù)，這是根據(jù)異常點易于劃分的特點進(jìn)行評價，具體的算法流數(shù)據(jù)集中隨機抽樣得到樣本集 (每個樣本集樣本數(shù)量 n≤N，N 為訓(xùn)練 M 個特征中，隨機選取 K 維特征，并從中選取方差最大的特征作為分取一個劃分值 p。劃分值 p（可以使用三點中值法或均值）作為劃分超平面將數(shù)據(jù)空間劃值小于 p 的作為當(dāng)前節(jié)點的左子樹，特征值大于 p 的作為當(dāng)前節(jié)點的復(fù)步驟 2 和 3 不斷選取特征和劃分值、構(gòu)造新的子節(jié)點，直至樣本完全 或樣本完全劃分。復(fù)步驟 1-4 建立多個 KD 劃分樹，構(gòu)成 KD 樹森林算測試集在森林中高度的均值與閾值作比較得出異常分類。

使用人工合成數(shù)據(jù) Synthetic 生成不同節(jié)點數(shù)的小世界網(wǎng)絡(luò)拓?fù)鋱D，對 LO本文提出的算法作比較，實驗結(jié)果見表 3.3。LOF 算法的平均分類準(zhǔn)確度均低于本文提出的算法，同時由于 LOF 算法是一種基于距離的不需要提前測算法，但是其時間復(fù)雜度為O( )同時與選取的k距離參數(shù)有很大關(guān)系（見0 個節(jié)點的小型網(wǎng)絡(luò)其計算時間就需要近 10 分鐘，因此這種基于距離的異大型的網(wǎng)絡(luò)圖模型，因此本文對于節(jié)點數(shù)目較多的數(shù)據(jù)集并未使用 LOF 算表 3.3 LOF 算法與本文算法比較Synthetic LOF GBKD-Fore節(jié)點數(shù) 1000 2000 3000 4000 5000 平均 10000Precision 0.847 0.844 0.841 0.851 0.847 0.846 0.952Accuracy 0.822 0.818 0.816 0.819 0.818 0.819 0.954F1 0.762 0.749 0.741 0.704 0.784 0.748 0.96AUC 0.712 0.704 0.705 0.702 0.696 0.704 0.940

【參考文獻(xiàn)】：
期刊論文
[1]人工蜂群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在入侵檢測中的應(yīng)用[J]. 沈夏炯,王龍,韓道軍.  計算機工程. 2016(02)
[2]基于多尺度時間遞歸神經(jīng)網(wǎng)絡(luò)的人群異常檢測[J]. 蔡瑞初,謝偉浩,郝志峰,王麗娟,溫雯.  軟件學(xué)報. 2015(11)
[3]基于決策樹與樸素貝葉斯分類的入侵檢測模型[J]. 姚濰,王娟,張勝利.  計算機應(yīng)用. 2015(10)
[4]時間序列異常點及突變點的檢測算法[J]. 蘇衛(wèi)星,朱云龍,劉芳,胡琨元.  計算機研究與發(fā)展. 2014(04)
[5]基于shell命令和Markov鏈模型的用戶行為異常檢測[J]. 田新廣,孫春來,段洣毅.  電子與信息學(xué)報. 2007(11)

博士論文
[1]社交媒體復(fù)雜行為分析與建模[D]. 蔣朦.清華大學(xué) 2015



本文編號：3598572