多元异构网络复杂多维数据可视化方法

多元异构网络复杂多维数据复杂性较高、数据混乱。为了提升多元异构网络的安全性,提出多元异构网络复杂多维数据可视化方法。对复杂多维数据降维处理,采用信息熵等不同算法提取多元异构安全日志数据中记录的多个典型维度特征,同时利用符号标志以及树图方法的引入对数据中的微观细节信息进行充分挖掘。然后引入时间序列,对网络运行进行实时预测;最后结合图像特征的归纳,分析攻击模式,完成多元异构网络复杂多维数据可视化。仿真结果表明,所提方法响应时间较短,本征维度估计值和本征维度实际值最为接近,可视化时间消耗较短,有效性较好。

基于可视化和数据融合技术的多元异构网络数据安全防护分析

对于目前网络安全日志数据多元异构趋势,本文基于数据融合技术与可视化技术,研究了多源异构网络数据。首先,通过信息熵等算法提取异构安全日志数据中的典型维度,并且利用符号标志与树图引入,充分挖掘数据中微观细节信息。然后,利用时间序列图,实现网络运行趋势宏观的预测。最后,和图像特征归纳相互结合,实现网络攻击模型分析与判断。通过测试表示,此分发方法效果良好,能够实现多元异构网络安全防护,提高使用者对网络安全态势识别与感知的能力。

基于机器学习的多元异构网络数据安全传输技术

为了减少多元异构网络数据安全传输时延,设计一个基于机器学习的多元异构网络数据安全传输技术。通过选择数据源与数据属性的重要性定义,对多元异构网络数据预处理,并建立多径并行传输架构,在此基础上,采用机器学习方法进行有效带宽估计与参数滤波处理,最后进行带宽调度与信道安全协议体系建立,从而完成基于机器学习的多元异构网络数据安全传输。实验结果表明,此次研究的基于机器学习的多元异构网络数据安全传输有效减少了数据传输时延,并减少了数据传输中断情况与数据丢包率,满足数据传输技术的设计需求。

多元异构网络安全日志数据融合方法仿真

网络结构日趋复杂,关键性应用的不断普及和深入,网络安全已成为不可忽视的问题。针对网络安全日志数据的分析,提出多元异构网络安全日志数据融合方法。方法首先对采集的异构网络安全日志数据进行预处理,采用Kalman滤波对日志数据形成时产生的噪声影响进行去除,然后通过传感器对网络状态进行观测,并创建网络状态的观测模型,对观测值进行加权处理,建立含有最佳加权系数的加权矩阵;最终将加权矩阵与模糊集理论相结合,实现对网络安全日志数据的加权融合。仿真结果显示,提出的网络安全日志数据融合方法,能够彻底地消除无效数据和错误数据,对有效数据的融合效果较好,具有较高的可信度和准确性。

基于多元异构网络安全数据的可视化融合分析方法研究

针对当前网络安全日志数据多元异构的趋势,文中基于可视化和数据融合技术,对多元异构网络数据的分析方法进行了研究。该分析方法首先利用信息熵等不同算法对异构安全日志数据中记录的8个典型维度进行特征提取,并通过符号标志和树图的引入对数据中的微观细节信息进行充分挖掘。之后通过时间序列图的引入,对网络运行趋势进行宏观上的预测。最后结合图像特征的归纳,实现对网络攻击模式的分析和判断。经过测试,该分析方法效果良好。在网络态势的认知、异常识别和攻击模式的判定等方面均具有一定的优势,能有效提高使用者对网络安全态势的感知和识别能力,实现对多元异构网络的安全防护。