基于盲均衡算法的网络大数据异常节点检测

网络大数据具有复杂性、多样性,其在流动期间容易出现异常节点。工作人员需采用智能性能检测的方式,才能减少网络故障问题的发生。相关部门基于网络大数据提出了异常节点的检测方法,采用传感序列采集模型,应用盲均衡算法提取网络环境中的噪声均值,以展现网络大数据异常节点的特征。基于此,文中结合实际,简要分析了盲均衡算法,阐述了基于盲均衡算法的网络大数据异常节点检测方法,以期为相关部门的工作提供支持。

基于图信号处理的无线传感器网络异常节点检测算法

针对无线传感器网络(WSN)中传感器自身安全性低、检测区域恶劣及资源受限造成节点采集数据异常的问题,提出一种基于图信号处理的WSN异常节点检测算法。首先,依据传感器位置特征建立K-近邻(KNN)图信号模型;然后,基于图信号在低通滤波前后的平滑度之比构建统计检验量;最后,通过统计检验量与判决门限实现异常节点存在性的判断。通过在公开的气温数据集与PM2.5数据集上的仿真验证,实验结果表明,与基于图频域异常检测算法相比,在单个节点异常情况相同条件下,所提算法检测率提升7个百分点;在多个节点异常情况相同条件下,其检测率均达到98%,并且在网络节点异常偏离值较小时仍具有较高的检测率。

基于Greenshield模型的VANET异常节点检测机制

面向车辆自组网的安全通信问题,提出一种基于Greenshield模型的异常节点检测机制。结合车辆自组网的特点,构造Greenshield模型,计算车辆速度、车辆密度和车流量参数。在此基础上依据车辆自身无线通信设备计算的车流量和接收到的其他车辆计算的车流量的差异,初步定位可能的异常节点位置。采用假设检验中的u检验方法决定是否接受接收到的数据,据此推断节点是否异常。仿真结果表明,采用该机制检测异常节点的真正率指标高、假正率指标低,能有效检测车辆自组网中的异常节点。

属性网络中基于变分图自编码器的异常节点检测方法

图神经网络为属性网络数据挖掘提供融合利用结构信息和属性信息的方法,但是在现阶段基于图自动编码器进行无监督属性网络异常节点检测时,常将正常节点子属性插值形成的节点误识别为异常节点,导致方法的假负率较高.针对上述问题,文中提出基于变分图自编码器的异常节点检测方法.模型包含两个编码器和一个解码器,利用一个编码器和一个解码器构成的变分自编码器模型,重建原始输入数据,再利用解码器和第二个编码器,使模型学习到不包含异常节点数据的网络隐层表达.通过双变分自编码器学习正常节点子特征,并利用重建误差作为节点的异常度量,将由正常节点子特征构成的正常节点判别为正常节点.在真实网络数据集上的实验表明,文中方法能有效进行属性网络异常节点检测.

改进的马尔科夫模型的异常节点检测算法

为降低异常节点对移动自组织网络路由性能的影响,提出一种基于马尔科夫模型的异常节点检测策略。将移动自组织网络中各个节点的状态转换过程看作一个马尔科夫过程,采用改进的马尔科夫模型计算各个节点的马尔科夫预测因子,依据马尔科夫预测因子判断节点是否异常。仿真结果表明,在异常节点比例不同的情况下,该策略的异常节点检出率均高于87%。采用该策略改进的AODV路由协议具有报文送达率高、端到端平均延时小和网络吞吐量大的优点。

基于分布式压缩感知的WSNs异常节点检测

无线传感网的节点极易被物理捕获而遭受恶意攻击,因此如何评测、识别并及时剔除内部异常节点是WSN亟待解决的问题。提出一种基于分布式压缩感知的无线传感网异常节点检测算法。首先,通过在每个异常节点检测周期中划分多个检测时隙,利用检测时隙的节点电量损耗向量之间的联合稀疏性,建立联合稀疏模型JSM-2;其次,对多个检测时隙的电量损耗向量进行压缩感知,并在检测周期结束时刻通过DCS-SOMP算法进行联合重构并判决,从而识别出无线传感网中的异常节点;最后,通过仿真验证了该算法可以降低数据收集的采样点数,有效延长网络生命周期。

基于马氏距离的女巫攻击节点检测方案

无线传感器网络由大量的以自组织组网的方式形成无数传感器节点,传感器节点通过无线信道链接,无线信道的公开性直接致使网络容易受到攻击,女巫攻击恶意节点通过伪造多重身份发动女巫攻击。针对该问题,本文通过距离判别法将获取的所有节点根据其信任属性异常判断,最后判别节点是否为女巫攻击的恶意节点,通过仿真实验结果表明,该方法能识别网络中的女巫节点保证网络的安全可靠。

基于P2P流媒体实时分发模型的异常探测研究

CDN和P2P是现在常用的两种网络加速方法。本文首先简要阐述了CDN和P2P技术,然后针对CDN-P2P混合流媒体分发模型给出了一种探测异常节点的方案。此方案在一定程度上减轻了CDN服务器作为P2P索引节点的监测压力,从而使CDN服务器能更有效地进行流媒体服务。

局部离群因子算法(LOF)在异常检测中的应用研究

CDN网络架构中,CDN节点的选取是解决网络负载过重和网络拥堵的关键所在,节点的异常检测尤为重要。本文提出了采用基于相似度衡量模型的异常值检测算法-局部离群因子(LOF)算法,该算法根据节点参数较准确地检测出异常节点,从而避免了用户对异常节点的访问。

基于卡尔曼滤波器的网络异常检测

通过分析网络异常所引起的网络设备参数变化的特点,对传统的卡尔曼滤波器进行了相应的改进,以时间序列预测方法中的指数平滑的方式对卡尔曼滤波器的噪声系数进行了自适应的调整与改进。并且基于改进后的卡尔曼滤波器,提出了一种自适应的单节点异常检测模型与多节点异常监控模型,这两种模型能够对网络中的单个节点或者多个节点的关键参数进行检测,且具有较低的复杂度以及良好的实时性。