论文大数据环境下网络流量异常检测是关于网络流量方面的的相关大学硕士和相关本科毕业论文以及相关网络流量g是什么意思论文开题报告范文和职称论文写作参考文献资料下载。
摘 要： 针对传统模型的网络流量异常检测正确率低,检测时间长的难题,设计了一种大数据环境下的网络流量异常检测模型.首先,对网络流量异常检测的研究现状进行分析,找到引起当前检测模型不足的原因；然后,采用HDOOP平台设计基于最小二乘支持向量机的网络流量异常检测模型；最后,在Maltab 2014平台下进行网络流量异常检测实验.实验结果表明,该模型可以准确对网络流量异常现象进行检测,获得了比其他模型更优的网络流量异常检测结果,具有更高的实际应用价值.
关键词： 网络安全； 流量异常检测； HDOOP平台； 最小二乘支持向量机； 大数据环境； 检测模型
中图分类号： TN915.08?34； TP392 文献标识码： A 文章编号： 1004?373X（2018）03?0084?04
Abstract： Since the traditional network traffic anomaly detection model has low detection accuracy and long detection time, a network traffic anomaly detection model in large data environment was designed. The research status of the network traffic anomaly detection is analyzed to find out the reason causing the poor performance of the current detection models. The HDOOP platform is used to design the network traffic anomaly detection model based on least square support vector machine. The network traffic anomaly detection experiment was carried out with Matlab 2014 platform. The experimental results show that the model can detect the network traffic anomaly phenomenon accurately, its network traffic anomaly detection result is better than that of other models, which has higher practical application value.
Keywords： network security； traffic anomaly detection； HDOOP platform； least square support vector machine； large data environment； detection model
0 引 言
随着网络应用范围的不断扩展,出现了许多不同类型的网络,网络上传输的数据类型增多,网络拥塞频率比以前也大幅增大,如何保证网络系统的正常运行显得尤为重要.网络流量是一种描述网络运行情况的重要指标,对网络流量异常行为进行检测,可以发现不正常的网络状态,因此,如何建立高正确率的网络流量异常检测模型引起了人们的高度关注[1?2].
网络流量异常检测问题的研究一直没有停止过,当前存在大量的网络流量异常检测模型.网络流量异常检测可以认为是一种网络流量分类问题,即将网络状态划分为正常和异常两种：当处于异常状态时,就对其进行相应的处理；如果是正常状态,那么就不用制定相应防范措施[3].当前网络流量主要基于统计学理论进行建模和检测,建模方法的选择直接影响到网络流量异常检测效果,主要有神经网络和支持向量机两种[4?6],其中,神经网络的类型很多,但它们有一个共同要求：网络流量异常训练样本的数量要达到一定规模,如果没有达到这个要求,那么网络流量异常检测结果就不理想；如果满足该要求,就可以获得理想的网络流量异常检测结果.因此,该类建模方法的网络流量异常检测结果不稳定,而且存在神经网络结构难以确定的不足,在网络流量异常检测中的应用范围受到一定限制[7].和神经网络相比,支持向量机对网络流量训练样本的数量要求没有那么严格,而且其学习能力更优,因此,在网络流量异常检测的应用范围更广[8?10].然而随着网络流量异常检测研究的不断深入,学者们发现,当网络流量规模较大时,支持向量机的建模时间长,建模效率低,影响实际应用价值.最小二乘支持向量机是一种比标准支持向量机学习速度更快的算法,且没有标准支持向量机工作复杂,为网络流量异常检测提供了一种有效的研究工具[11].
近年来,随着云平台处理技术的不断成熟,可以将一个大规模网络流量异常检测问题划分为多个子问题,通过HDOOP对它们分别进行处理,然后对子任务处理结果进行融合,得到最终网络流量的处理结果.为了更加准确地对网络流量异常进行检测,提出一种大数据环境下的网络流量异常检测模型,并在Matlab 2014平台对网络流量异常检测效果进行测试,本文模型大幅度改善了网络流量异常检测正确率,而且检测性能要优于对比模型.
1 HDOOP平台和最小二乘支持向量机
1.1 HDOOP平台
随着处理数据规模的不断增加,数据以海量的形式存在,一台计算机无法有效地对数据进行处理,在该背景下出现了云計算系统.在云计算系统中,通常以HDOOP作为平台,采用Map/Reduce分布式模式处理海量数据,典型的HDOOP平台工作原理如图1所示.
首先,将海量网络流量异常数据检测任务划分为多个子任务,每一个子任务采用一个节点完成,然后将结果反馈到管理节点.
总结:本论文为您写网络流量毕业论文范文和职称论文提供相关论文参考文献，可免费下载。
参考文献：
1、 大数据环境下电子数据审计应用 [摘 要] 本文以某市商务促进专项资金审计为例，使用可视化技术确定审计重点，通过关联分析多部门数据查找疑点，对大数据环境下电子数据审计的应用的难。
2、 大数据环境中企业文书档案信息化管理 【摘要】信息技术高速发展，大数据已经成为企业提升竞争实力的关键。加强企业文书档案的信息化管理，是确保档案完整、真实的有效途径，对企业发展有着深远。
3、 大数据环境下气象档案管理问题 【摘要】我国经济的腾飞，带动着各大产业的发展，信息技术和互联网产业越来越普及渗透到各领域，气象档案管理工作也不例外。通过充分利用先进的技术和设备。
4、 大数据在企业网络精准营销中作用分析 摘要：网络技术的迅猛发展致使数据库应用不断扩大，数据信息业已成为企业营销的重要资源。企业在通过搜集拥有大量基础数据信息后，如何在这些拥有着重要商。
5、 大数据环境下企业财务会计信息化管理 摘要：近几年，信息技术得到了飞速的提高，企业的财务管理也逐渐由利用信息化技术进行片面的管理，转向依靠信息技术进行大面积的管理。为了保证企业的财务。
6、 大数据环境下企业管理 摘 要：随着计算机技术的发展和移动互联网的广泛应用，信息的传递变得越来越快，信息的映射范围也无处不在，企业与市场、消费者、相关参与者之间的沟通随。