基于K均值聚类的网络流量异常检测Python代码

基于K均值聚类算法的网络流量异常检测通常用于监控数据集中流量模式，并识别出与其他簇中心显著不同的“异常”点。下面是一个简单的Python代码示例，使用scikit-learn库进行网络流量数据的K-means聚类异常检测：

from sklearn.cluster import KMeans
import numpy as np
import pandas as pd

# 假设df是包含网络流量数据的DataFrame，每一列代表一个时间戳的流量值
def kmeans_anomaly_detection(df, threshold=3):
    data = df.values.reshape(-1, 1)  # 将DataFrame转换为一维数组
    kmeans = KMeans(n_clusters=2)  # 初始化k-means模型，这里假设正常流量是两个簇
    kmeans.fit(data)
    
    labels = kmeans.labels_  # 获得每个样本的聚类标签
    cluster_centers = kmeans.cluster_centers_

    # 计算每个样本到最近簇中心的距离
    distances = np.min(np.linalg.norm(data - cluster_centers[labels], axis=1))

    # 定义阈值，超过这个距离的点视为异常
    anomalies = np.where(distances > threshold)[0]

    return anomalies

# 使用示例
anomalies = kmeans_anomaly_detection(your_network_traffic_data)