基于數(shù)據(jù)挖掘的網(wǎng)絡異常檢測技術

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了基于數(shù)據(jù)挖掘的網(wǎng)絡異常檢測技術范文，希望能給你帶來靈感和參考，敬請閱讀。

1網(wǎng)絡異常檢測技術概述

如今，我們已經(jīng)處于網(wǎng)絡時代，生活的方方面面都離不開網(wǎng)絡，而且網(wǎng)絡的穩(wěn)定與否直接影響著人們生活質量的高低。在日常生活中，由于受到外界因素的影響以及網(wǎng)絡本身的問題，常常會出現(xiàn)網(wǎng)絡異常的情況，為了解決這一問題，保證用戶上網(wǎng)的流暢性，需要針對發(fā)生異常的網(wǎng)絡進行檢測，這種技術就是網(wǎng)絡異常檢測技術。網(wǎng)絡異常這種情況在生活中較為常見，但是產(chǎn)生的原因卻十分復雜，一旦找不到問題的原因，就會造成網(wǎng)絡大范圍的崩潰，進而影響人們的工作和生活。

2基于數(shù)據(jù)挖掘的網(wǎng)絡異常檢測技術

數(shù)據(jù)挖掘就是人們常說的知識發(fā)現(xiàn)，通過對海量的、雜亂無章的、不清晰的并且隨機性很大的數(shù)據(jù)進行挖掘，找到其中蘊含的有規(guī)律并且有價值和能夠理解應用的知識，這一過程就是數(shù)據(jù)挖掘。它主要是借助分析工具找到數(shù)據(jù)和模型之間的關心，之后進行預測，并將數(shù)據(jù)回歸到真實變量。在網(wǎng)絡異常檢測技術中應用數(shù)據(jù)挖掘技術，能夠從海量數(shù)據(jù)中找到需要的信息，并且根據(jù)數(shù)據(jù)信息建立模型，從而對入侵行為和正常操作進行分類了，數(shù)據(jù)挖掘的方法有兩種：一種是分類分析，一種是聚分析。分類分析需要找到數(shù)據(jù)之間的依賴關系，并且進行預判斷，這一過程需要興趣度的介入，也就是對規(guī)則的可行性和適用性進行衡量，確保滿足最小閾值，之后建立一個數(shù)據(jù)映射分類模型，從而輸出離散類別。分類的效果與數(shù)據(jù)的特點息息相關，有的數(shù)據(jù)噪聲較大，有的數(shù)據(jù)缺失不全，有的數(shù)據(jù)密集分布，有的數(shù)據(jù)字段離散，所以還需要具體情況具體分析。聚類分析是通過反復的分區(qū)從而找到解決辦法，它的輸出是各個不同類型的數(shù)據(jù)，也就是先對數(shù)據(jù)進行初始歸類，之后去粗取精進行合并，最后使得對象之間能夠彼此聯(lián)系，歸于一類。值得一提的是，通過對數(shù)據(jù)和對象之間的距離進行聚類，能夠消除數(shù)據(jù)的噪聲，完成不同形狀的聚類，也可以對數(shù)據(jù)的空間分布進行劃分，形成網(wǎng)格單元，對數(shù)據(jù)分布情況進行更直觀的判斷。

3基于機器學習方法的網(wǎng)絡異常檢測技術

機器學習指的是根據(jù)人類學習的情況，對機器進行研究，使得機器掌握學習的能力，從而獲取新的知識，并通過一系列的模擬學習，讓機器能夠自主解決問題。機器學習是人工智能的最新成果，由環(huán)境、執(zhí)行和數(shù)據(jù)庫構成，首先環(huán)境為機器學習系統(tǒng)提供信息，之后機器學習系統(tǒng)對這些信息進行識別，和數(shù)據(jù)庫進行對比，最后加以執(zhí)行，網(wǎng)絡異常檢測技術應用機器學習方法主要有兩種情況：監(jiān)督學習和無監(jiān)督學習。監(jiān)督學習指的是通過之前的異常情況和數(shù)據(jù)分析進行練習和研究，找到一個固定的模板，從而對輸入信息進行檢測，根據(jù)檢測結果進行判斷，對異常情況進行分類。這種方法需要研究人員熟悉網(wǎng)絡異常的特征，并且能夠準確區(qū)分數(shù)據(jù)，從而使得機器學習系統(tǒng)能夠檢測出不同類型的異常，同時，如果是新型的異常，系統(tǒng)也能夠檢測出來。下面介紹一些檢測的方法：第一種，KNN算法，這種算法是比較簡單的機器學習方法，并且能夠對異常行為直接進行計算，并根據(jù)最近的K個樣本找到相似的類型，尤其是在動態(tài)網(wǎng)絡中，應用比較成熟。但是樣本需要均勻分布，如果測量不準確就可能出現(xiàn)一定的誤差，所以也可以結合其他算法同時使用。第二種，決策樹法，這種方法和流程圖比較像，每個節(jié)點代表者檢測的屬性，每個分支則是檢測結果，每片葉子就是異常的類型。在檢測過程中通過對沒有標記的數(shù)據(jù)進行分類，由上到下測試，之后選擇合理的分支和節(jié)點，最后在葉片上判斷類型。但是隨著網(wǎng)絡數(shù)據(jù)的不斷增多，需要對內存資源進行優(yōu)化，從而提高系統(tǒng)檢測的精準性。無監(jiān)督學習不需要對異常情況做標記，只需要根據(jù)目前的網(wǎng)絡進行建模，這樣極大地減少了工作量，同時能夠將數(shù)據(jù)聚集情況進行分類，之后由研究者進行判斷，雖然準確度不如監(jiān)督學習的高，但是操作便捷，簡單易行，它的檢測方法如下：第一種，Apriori方法，這種算法能夠第一時間檢測到網(wǎng)絡的異常，并且直接鎖定攻擊來源，主要是找到滿足設定的頻集，之后根據(jù)頻集的相關規(guī)則，對數(shù)據(jù)進行保留處理，之后生成動態(tài)的檢測規(guī)則，提高系統(tǒng)的穩(wěn)定性。第二種，EM方法，在對網(wǎng)絡異常進行檢測時，數(shù)據(jù)可能會有缺失或者是處于隱性狀態(tài)，所以需要根據(jù)檢測對象的屬性對其權重進行分配，找到屬性期望，之后根據(jù)似然估計進行計算，從而實現(xiàn)交替循環(huán)。

4結論

綜上所述，網(wǎng)絡異常直接影響著用戶的信息安全，所以需要認真做好網(wǎng)絡異常的檢測工作，通過創(chuàng)新和應用相關的檢測技術，在最快的時間內找到產(chǎn)生的問題的原因，從而加以解決，滿足人們使用網(wǎng)絡的需求。

參考文獻

[1]黃煜坤.網(wǎng)絡安全異常檢測技術探究[J].電子測試,2015(05):40-42+45.

[2]廖國輝,劉嘉勇.基于數(shù)據(jù)挖掘和機器學習的惡意代碼檢測方法[J].信息安全研究,2016,2(01):74-79.

作者：秦振凱 單位桂林電子科技大學海洋信息工程學院