没有合适的资源?快使用搜索试试~ 我知道了~
首页协同神经网络:高效检测网络流量异常的新方法
协同神经网络:高效检测网络流量异常的新方法
需积分: 0 1 下载量 189 浏览量
更新于2024-08-05
收藏 417KB PDF 举报
本文主要探讨了"基于协同神经网络的网络流量异常检测"这一主题,由作者马卫和熊伟提出。网络流量的复杂动力学特性是研究的核心关注点。传统的网络流量异常检测方法往往基于线性和平稳性的假设,这在实际网络环境中并不总是适用,因为网络流量受到拓扑结构、设备性能、协议类型以及用户行为等多种因素的动态影响,这些因素可能导致流量特性偏离常规。 文章首先强调了在网络安全日益重要的背景下,实时有效地检测网络流量异常的重要性,特别是针对那些由于恶意攻击引起的突发、难以预测的异常流量。为了克服传统方法的局限,作者提出了一种创新的检测策略,即利用自上而下的协同神经网络来捕捉和分析网络流量的动态序列参数。 协同神经网络在此方法中的作用是模拟网络流量的动态演变过程,通过对包含正常流量和异常攻击流量的数据集进行学习,形成原型模式。这种模型能够捕捉到流量在不同状态下的演变规律,即使在非线性和非平稳状态下也能展现出良好的适应性。通过比较实际网络流量的序参量演化与原型模式的匹配程度,可以准确地判断流量是否属于正常或异常状态。 实验结果显示,这种方法能够有效地识别出不同类型的网络流量,无论是正常的网络活动还是恶意的攻击行为,都能够得到准确的区分。这表明协同神经网络在处理网络流量异常检测任务时展现出强大的潜力,为提高网络性能和保障网络安全提供了新的思路和工具。 关键词:“网络流量”、“异常检测”、“协同神经网络”和“序参量”揭示了论文的核心研究内容和技术手段。这篇文章为网络流量监控领域提供了一种新的、基于复杂动力学特性的异常检测方法,对于提升网络安全防范能力具有实际价值。
资源详情
资源推荐
第
46
卷第
5
期 华中师范大学学报
(
自然科学版
)
Vol.46 No.5
2012
年
10
月
JOURNAL
OF
HUAZHONG
NORMAL
UNIVERSITY
(
Nat.Sci.
)
Oct.2012
收稿日期
:
2012
-
03
-
09.
基金项目
:
中南民族大学校级基金项目
(
YZQ09006
)
.
*
E
-
mail
:
mw0626
@
163.com.
文章编号
:
1000
-
1190
(
2012
)
05
-
0537
-
03
基于协同神经网络的网络流量异常检测
马
卫
*
,
熊
伟
(
中南民族大学 计算与实验中心
,
武汉
430074
)
摘
要
:
针对网络流量具有复杂的动力学特性
,
提出了一种应用自上而下的协同神经网络进行网
络流量异常检测的方法
.
首先选择包含正常网络流量和异常攻击流量的数据集作为原型模式
,
然
后通过协同神经网络进行序参量的动力演化
,
最终根据原型模式对应的序参量的演化结果来判定
检测结果
.
实验结果证明
,
该方法能有效的识别出正常流量和异常攻击的种类
.
关键词
:
网络流量
;
异常检测
;
协同神经网络
;
序参量
中图分类号
:
TP393.06
文献标识码
:
A
随着互联网和网络应用的快速发展
,
网络安
全问题越来越引起人们的重视
.
网络流量异常检测
是其中的重要问题之一
.
导致网络流量异常的原因
有很多
,
除正常的网络设备运行故障之外
,
恶意的
网络攻击则是导致网络流量异常的主要原因
,
它发
作突然
,
先兆特征不明显
,
短时间内会对网络用户
及管理者带来极大的危害
,
因此
,
采取有效的方法
进行网络流量异常检测对提高网络性能和改善网
络服务质量具有重要意义
[
1
]
.
但目前众多的网络流量异常检测方法是在基
于网络流量是 线性的
、
平稳性 的 假设前提 下 进行
的
,
即假定在某一个时间段内
,
反应网络流量特征
的特征量保持不变或呈线性变化
,
通过观察该特征
量的变化情况来判断网络流量是否异常
[
2
]
.
然而
,
网络作为一个远离平衡态的开放系统
,
网络流量受
诸多因素的影响
,
如拓扑结构
、
网络设备
、
传输协议
及网络用户之间的合作与竞争等
,
因此
,
实际网络
流量往往呈现出非线性
、
非平稳性的复杂的动力学
特性
[
3
]
.
针对该特性
,
本文提出了一种应用自上而
下的协同神经网络
[
4
]
进行网络流量异常检测的方
法
.
该方法首先选择包含正常网络流量和异常攻击
流量的数据集作为原型模式
,
然后通过协同神经网
络进行序参量的动力演化
,
最终根据原型模式对应
的序参量的演化结果来判定检测结果
.
1
协同神经网络模型
协同学的一个重要观点是
:
模式识别的过程即
为模式形成的过程
.
系统模式形成过程是初始状态
的配置
,
其中也包括部分有序化的子系统
,
属于这
个子系统的序参量在竞争中取胜
,
最后支配整个系
统并使其进入这个特定的有序状态
,
完成了系统的
宏观质变
.
协同 神经网 络 是用协同 学 理论所构 造
的
,
与传统的从研究单个神经元的特性
、
配置和连
接的构造方法完全不同
,
它是一种自上而下的神经
网络
.
协同神经网络的基本原理
[
5
]
是构造非线性动
力学系统中的动态过程
,
完成模式识别及联想记忆
的功能
.
在模式识别时
,
对待识别模式
q
可构造非
线性动力学系统的动 态 过程
:
使
q
经过中 间 状态
q
(
t
)
进入到诸原型模式中的一个原型模式
v
k
,
即这
个原型模式与
q
(
0
)
最为靠近
,
也即拉它使其处于
这个原型模式的吸引谷底
,
可描述为
q
(
0
)
→
q
(
t
)
→
v
k
0
.
假设原型模式数为
M
,
原型模式向量维数为
N
,
要求
M
≤
N
,
动力学方程为
:
q
=
k
λ
k
v
k
(
v
+
k
q
)
-
B
k
≠
k′
(
v
+
k′
q
)
2
(
v
+
k
q
)
v
k
-
C
(
q
+
q
)
q
+
F
(
t
), (
1
)
式中
,
q
是以输入模式
q
0
为初始值的状态向量
,
为
待识别的模式向量
.
λ
k
为注意参数
,
只有当它为正
的时候
,
模式才能被识别
;
F
(
t
)
为涨落力
,
可忽略
不记
;
B
和
C
为指定系数
,
且都大于
0
;
v
k
为原型模
式向量
,
v
k
=
(
v
k
,
1
,
v
k
,
2
,…,
v
k
,
N
)
T
.
v
+
k
为
v
k
的伴随
向量
,
且需满足
:
下载后可阅读完整内容,剩余3页未读,立即下载
SLHJ-Translator
- 粉丝: 31
- 资源: 297
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 达梦数据库DM8手册大全:安装、管理与优化指南
- Python Matplotlib库文件发布:适用于macOS的最新版本
- QPixmap小demo教程:图片处理功能实现
- YOLOv8与深度学习在玉米叶病识别中的应用笔记
- 扫码购物商城小程序源码设计与应用
- 划词小窗搜索插件:个性化搜索引擎与快速启动
- C#语言结合OpenVINO实现YOLO模型部署及同步推理
- AutoTorch最新包文件下载指南
- 小程序源码‘有调’功能实现与设计课程作品解析
- Redis 7.2.3离线安装包快速指南
- AutoTorch-0.0.2b版本安装教程与文件概述
- 蚁群算法在MATLAB上的实现与应用
- Quicker Connector: 浏览器自动化插件升级指南
- 京东白条小程序源码解析与实践
- JAVA公交搜索系统:前端到后端的完整解决方案
- C语言实现50行代码爱心电子相册教程
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功