基于时间序列图挖掘的网络流量异常检测

网络流量异常检测要解决的核心问题之一是获得信息的全面性和流量信息描述的准确性。针对现有网络异常流量检测方法分析多时间序列的不足,提出了一种基于图挖掘的流量异常检测方法。该方法使用时间序列图准确、全面地描述用于流量异常检测的多时间序列的相互关系;通过对项集模式进行支持度计数,挖掘各种频繁项集模式,有利于对各种异常流量的有效检测;通过挖掘各项集之间的关系,引入了项集的权重系数,解决了流量异常检测的多时间序列相互关系的量化问题。仿真结果表明,该方法能有效地检测出网络流量异常,并且对DDos攻击的检测效果明显优于基于连续小波变换的检测方法。

融合显隐式关联的图卷积多维时序异常检测方法

针对重构类多维时序异常检测方法对信息物理系统组件间的耦合关系提取能力不足以及建模时易遗漏信息的问题,提出一种融合显隐式关联的图卷积多维时序异常检测方法。利用改进的余弦相似度,提取序列间可用距离度量的显式关联关系。设计基于多头自注意力机制的关联关系提取模块,学习序列间的隐式关联关系。整合显隐式关系,将关系融合图和原始数据共同输入到基于图卷积网络的自编码器中,进行结合时间和空间依赖性的多维时序重构。根据训练好的模型输出的待测数据重构结果计算异常的分数,进而结合自适应阈值来选择算法进行异常检测。4个公开数据集上的实验结果表明,所提方法比相关经典和时效性方法在F1-Score上具有明显的提升,且可以通过输出关联权重矩阵的方式对异常事件进行解释分析。