浅谈高校网络异常监测

随着数字信息时代的到来,互联网飞速发展。校园网作为一种大型局域网,随之而来的是各种网络问题也相继出现,给网络监测带来了更大的挑战。本文简要论述了导致网络异常的原因、网络监测的方法及网络监测对保证网络的正常运行的重要的意义。

基于SOINN结合ADNDD的网络安全动态控制技术研究

医院网络安全动态控制技术对于保障医院网络的安全性和稳定性具有重要意义;传统的网络异常监测和网络安全动态控制无法解决大面积网络入侵的问题;为了解决这些问题,研究构建了基于SOINN结合ADNDD的医院安全动态控制模型;研究对算法进行优化,将SOINN与ADNDD进行融合构建网络安全动态控制模型,再利用数据集去验证模型的性能;结果表明,在数据集中训练后,模型在对浪涌攻击、偏差攻击和几何攻击数据集中的离群点识别率分别为92.13%、90.04%和89.07%;这说明模式算法经过数据集的应用能够在医院网络异常检测和动态防御控制中满足网络安全的要求;旨为提高医院网络的安全性和稳定性。

基于sFlow技术的通信网络流量异常监测方案

月球探测科学应用中心是实现嫦娥工程科学目标的基地,通信网络是其业务运行的支撑平台。该文阐述了在该通信网络环境下实施网络异常监测的必要性。提出了一种基于sFlow技术的具有长期效益的综合网络异常监测系统方案。

基于深度学习的光纤网络异常数据检测算法

从大规模光纤网络的海量数据中快速识别异常数据是光纤通信技术的一个关键性问题,也是近年来优化光纤通信网络及提高通信准确性的一个重要研究方向,主要解决异常数据的监测精度和收敛速度之间的制约关系。针对此问题提出了一种基于深度学习与遗传算法相融合的监测算法。该算法通过深度学习完成初始数据的分段预处理,再将具有分段属性的交叉概率与变异概率引入遗传算法,从而增强异常数据特征的保留效果。分段预处理将原有数据根据不同属性进行划分,从而大幅缩减了初始滤波的数据量,达到提高异常数据检测速度的目的;将分段属性导入遗传算法的遗传因子使其结果具有加权效果,增加了数据的可分性,从而提升了监测精度。将所提算法与未优化遗传算法、聚类算法进行对比实验,结果表明,所提算法、传统遗传算法和聚类分析算法的异常数据量最小相对误差分别为0.029、0.093和0.104;偏差平均值分别为0.047、0.155和0.156,平均收敛时间分别为5.84 s、12.6 s和9.32 s。由此可见,所提算法在监测精度、稳定性及时效性方面均得到了较好的优化。

基于准实时流量数据报出与信息熵技术的网络流量异常监测研究

网络流量异常监测主要通过数据仓库、OLAP、数据挖掘、WEB、ETL等相关技术,来提高网络监测数据处理和存储的效率,同时还可以通过信息熵技术保证精确性、简洁性,能够确保精确性的前提下更为简洁高效.针对这些技术,文中通过合理的架构,使得信息熵技术在功能性方面达到了决策更加有效合理的效果,同时还验证了信息熵技术框架的灵活性和可复用性.

基于深度学习的面向IP-over-EON的可编程跨层网络业务性能感知系统

为了实现实时的、细粒度的网络性能监测与调整,并且满足不同应用的特定服务质量需求,提出了基于深度学习的面向IP-over-EON的可编程跨层网络业务性能感知系统。该系统将基于网络业务性能感知的分布式网络监测与集中式网络管控相结合,分布式网络监测实现跨层和细粒度的网络监控,并基于深度学习进行数据分析。实验结果表明,该系统通过有机地结合集中式与分布式的处理方式,实现了及时的、自动化的网络控制与管理,具有良好的可扩展性。