基于支持向量机的通信网络异常流量数据挖掘方法

传统方法对通信网络流量异常数据挖掘的精准度和效率较低,安全性不高。基于此,提出基于支持向量机通信网络异常流量数据挖掘方法并对该方法进行设计。首先,基于支持向量机对通信网络流量进行特征选择,利用支持向量机在通信网络流量异常挖掘中,选取一对一的构造方法进行类别分类。其次,通过统计频率法选择通信网络流量特征子集并列出大体流程图。再次,对通信网络流量异常特征聚类分析,先计算通信网络流量特征数据记录的距离,再建立通信网络流量特征聚类流程。最后,识别和挖掘通信网络流量异常数据,设计出通信网络流量异常判别模型,通过基于二分法的通信网络流量数据特征分析和基于支持向量机的判别后完成了通信网络流量异常的数据挖掘。将设计方法与传统方法和基于多尺度数据挖掘方法进行对比,得出该方法更具有优势。

基于边缘计算的通信网络异常流量攻击快速检测方法

为提高电力通信网络中的异常流量攻击行为检测的准确性与实时性,文章提出基于边缘计算的电力通信网络异常流量攻击快速检测方法。设置电力通信网络异常流量的标准特征,采集实时电力通信网络流量数据,测度电力通信网络流量数据特征。文章利用边缘计算技术快速确定异常流量攻击位置,实现异常流量攻击的快速检测。通过实验证明,设计方法的异常流量漏检率降低了1.59%,攻击位置检测误差减小了2.4 m。

智能变电站中的网络通信异常原因分析

阐述智能变电站网络通信异常的原因,包括数据源不稳定、网络延时过长、通信链路中断。从优化合并单元的配置文件、优化时钟同步方案、修改报文解析方法方面,提出针对通信异常的解决方案。

基于多标签分类算法的网络通信端口流量异常值快速捕获

由于网络通信端口流量状态具有实时更新的特征,导致异常值捕获的难度较大,为此,提出基于多标签分类算法的网络通信端口流量异常值快速捕获方法研究。通过对网络通信端口流量的统计特征(流量的大小、流量的方向、流量的协议类型)进行分析和计算,为每个网络通信端口生成一组具有代表性的标签,利用GCN学习一组相互依赖的网络通信端口流量数据标签分类器,设计对应的分类器的输入由节点以及标签相关矩阵构成,具体的节点表示形式为网络通信端口流量数据标签的特征向量,网络通信端口流量数据标签对的出现次数作为建立相关矩阵的执行基础,分类器输出使用网络通信端口流量数据标签共现矩阵对应的条件概率矩阵为空时,确定此时的网络通信端口流量数据为异常值。在测试结果中,对端口流量异常值捕获结果的ACC始终稳定在0.85以上,对端口流量异常值捕获结果的F1-score始终稳定在0.83以上,与对照组的测试结果相比,具有明显优势。

对网络通信异常行为识别方法的相异度分析

为了对网络通信异常行为进行有效地识别,提出了一种基于相异度分析的识别方法,以该方法的数据基础为Netflow网管数据,并对具体的实现步骤进行了设计。通过实验分析,证明了采用该识别方法能够对网络中通信行为异常、突发流量异常以及异常网络攻击等表征现象进行实时监测,并且取得了良好的效果,使网络运营单位的服务质量和网络安全支撑服务能力取得了有效的提高。

基于改进OCSVM的智能变电站数据流异常检测方法研究

目前智能变电站的数据流异常检测对准确性和实时性要求较高,采用简单阈值的检测方法已无法满足要求。针对这一问题,基于智能变电站体系架构,提出了一种将改进的密度聚类算法和改进的单类支持向量机算法相结合用于智能变电站异常数据流检测的方法。使用k-dist图优化密度聚类算法对正常数据流样本进行聚类,形成样本簇。使用改进的粒子群算法优化单类支持向量机算法建立相应的检测模型,对异常数据流进行检测。通过仿真与传统检测方法进行对比分析,验证了所提方法的有效性。结果表明,与传统OCSVM方法相比,所提异常检测方法将常规数据流样本拆分为多个OCSVM模型,可以更紧密地包裹正常样本,检测效果较为理想,检测准确率高于99%,可以满足异常数据检测对准确性和实时性的要求。

马尔科夫聚类改进敏感信息自动监测

异常节点监影响通信网络路由性能,其敏感信息有利于发现网络攻击行为。为此,针对通信网络异常节点及其敏感信息监测,提出基于马尔可夫聚类改进的通信网络异常节点敏感信息监测方法。算法基于网络采集并预处理的流数据建立能够表征网络状态的邻接矩阵;然后在分析敏感词距离及敏感信息敏感度基础上,对邻接矩阵进行马尔可夫聚类处理,根据核心聚类节点在聚类前后的结构差异,实现通信网络中的敏感信息的自动监测。实验结果验证了算法在监测识别敏感信息方面的有效性和准确率。