基于神经网络算法的动态网络异常检测方法.pdf
《基于神经网络算法的动态网络异常检测方法.pdf》由会员分享,可在线阅读,更多相关《基于神经网络算法的动态网络异常检测方法.pdf(3页珍藏版)》请在咨信网上搜索。
1、,信息通信基于神经网络算法的动态网络异常检测方法熊英乔(南昌大学科学技术学院信息学科部,江西南昌330 0 2 9)摘要:为了增加在动态网络异常检测中提取特征的数据量,进而提升检测结果精度,文章引入神经网络算法,研究动态网络异常检测方法。为减轻检测负担,采用动态自适应池化方式完成采样;利用神经网络算法,提取网络数据的特征;以动态网络表达学习框架为核心,构建网络异常检测模型,以此实现对动态网络中异常数据的检测。通过对比三种检测方法的实际应用效果得出,基于神经网络算法的检测方法能够检测到更多特征数据量,检测精度能够得到保障,具备较高的实际应用价值。关键词:神经网络;网络;算法;检测;异常;动态中图
2、分类号:TP182023年第0 5期(总第 2 45 期)文献标识码:A文章编号:2 0 9 6-9 7 59(2 0 2 3)0 5-0 0 15-0 30引言当前,计算机网络已经逐渐成为网络安全的重要手段。随着互联网的迅速发展,网络安全问题日益突出。网络异常检测是网络安全威胁最重要的检测方法之一,也是网络安全监控系统、网络监测预警系统、网络安全防护系统的重要组成部分。而神经网络算法作为机器学习领域中研究得最为深入有效的一种算法,应用广泛并已广泛应用于各个领域。其不仅能够通过学习发现未知特征或行为,还能通过训练神经网络模型从而提高对未知网络问题的识别能力2 。网络异常检测是网络安全监控体系中
3、重要的组成部分,对于维护网络安全具有重要作用。现有针对网络异常的检测方法包括基于多模收稿日期:2 0 2 3-0 1-13作者简介:熊英乔(19 8 8-),女,汉族,江西南昌人,硕士,讲师,研究方向:计算机网络技术。+性,降低错误率,提升工具适应性,本文提出搭建准确易操作、Projiect可扩展并易维护的IC设计验证EDA工作平台的解决方案。本文的IC设计验证流程平台实现方法中,单独把命令执行部手地5ST1SSTI图52.4.2多项目实践在涉及多项目时,主要注意点在于区分不同项目的网页层级组织层次,对于平台本身页言,加入了系统自动运行插件Action,即linux自动远行工具crontab支
4、持,其余和单一项目无更多不同。ProloctProiect3结语为降低IC设计验证过程中工具软件众多而引入的复杂15态信息融合、基于数据驱动等,但这些方法在实际应用中会受到网络本身运行环境中诸多因素的影响,造成检测结果无法达到预期要求,更无法确保网络的安全运行 4。因此,针对这一问题,本文尝试引入神经网络算法,开展对动态网络异常检测方法的研究。1动态自适应池化采样为减轻检测方法的运行负担,该方法采用了一种动态自适应的降采样方法,以达到取样的目的5。在池化层里面,可以直接计算出所有样本的属性,并通过设置卷积层输入流量矩阵的方式,确定池化域。将池化域设置为规格为cxc的矩阵,将其偏置数值设置为,则
5、特征矩阵的表达式为:iiiiiiii分抽象成单一Action,并以此组织Task进行了整体分层处理,ST对于单一的Action配置灵活的实现了自由插拔。并因Task的BTnSSTnProkctBT图6+组织形式也自由可定制,极大的提升了平台的扩展性,对于应付不同的IC类工具,不需要额外开发新的流程,对开发效率的提升大有禅益。在具体的项目中,通过简单更改配置,目前已能自由支持vcs,irun等不同公司的仿真类工具,也能支持类似zoix,x a 等特定插件工作。平台维护人员与用户使用实现隔离,对于平台的稳定维护也带来了极大的好处。参考文献:1余营志,周,赵保华.一种逻辑仿真测试平台的设计 .计算机
6、仿真,2 0 0 4,2 1(10):4.2 姜琦,史敬端,刘健,等.数字集成电路高级验证测试方法 .制造业自动化,2 0 11,33(14):4.3 蒋和全.模拟集成电路测试平台建设 .微电子学,2 0 0 4,34(4):3.4】吴迪,石镜澄,李涛,等一种模块化数电,单片机,EDA,SOPC一体化实验平台:,CN211455034UP.2020.5 刺赖晓铮,钟震宇,陈若晖,等.一种基于Python语言的EDA验证平台及其使用方法,CN111460759AP.2020.6彭湘涛,钟日升,梁仕章,丘桂全,李柳琼.基于EDA工具的自动化建模平台建设 .电子产品可靠性与环境试验,2 0 2 0,
7、38(S02):4.7】刘实.基于FPGA的EDA实验平台设计及应用 D.电子科技大学.Changjiang Information&CommunicationsS=sumM(f)+b2公式中,S表示子采样特征矩阵表达函数;M(f)表示卷积层输入流量矩阵。当进行池处理时,把最大的两个元素相加,得到的结果就是子样本的特征值。在进行动态自适应的池化取样时,必须以平均最大值为前提,对其进行改进与优化。利用最大均值池和平均值池化对网络数据样本进行二次提取,在这一过程中动态自适应池化可用下述函数形式表示:(2)u=p公式中,u表示池化因子;p表示特征系数;表示网络数据样本当中除最大数值和第二大数值以外其
8、他所有元素的平均取值;Vmax表示在被检测的网络环境中最大数值和第二大数值平均取值;9 表示校正误差项。流量特性曲线的差异会引起池化系数的变化,从而使池化系数得到最大的优化(6。在公式(2)中,池化因子的取值范围为0 1,并可同时实现最大均方池和平均池,在抽取网络样本时,不会造成太高的精确度损失,而且还能减少最大池处理对网络样本提取造成更大因素的影响 7。按照上述方式,在对网络数据样本采集时仍然会出现过拟合的问题,这一问题的出现会造成检测方法的错误检测率增高。2网络特征提取引入神经网络算法对网络特征进行提取。利用神经网络提取某一时间内的节点和边信息,采用DGI作为一维向量来表示网络。基于神经网
9、络的表现矢量,利用RRCF等方法,对各时点的图形进行打分,得出有异常的单元结点,并对其进行打分。在网络呈现的学习中,采用全局表达和局部表达信息最大化的策略,实现对神经网络表达的充分利用,从而实现对每个时间点的映射信息的充分利用。在提取网络特征的过程中,属性特征、结构特征的提取,可以利用神经网络对特定时间点的特征和结构特征进行。将基于神经网络算法的网络特征提取看作信息的传递和汇聚。假设通过上述动态自适应池化采样获取到的某一样本为G,则其表达式为:(3)公式中,V表示样本中所有数据节点的集合;E表示样本中节点与节点之间边的集合。假设在该样本G周围存在一个邻接矩阵A,则将神经网络的一层操作分为对样本
10、中数据节点信息的传递和信息的拼接两个基本步骤,其中针对样本中数据节点信息的传递过程以及样本中数据节点的信息拼接过程可用下述公式形式表示:h.ao=gregale(h;/Neighbr(v)hitl=combineu(h/h,mna)公式中,h.ne表示在神经网络某一层1中与目标节点u邻近的邻居信息汇总;aggregate表示在神经网络1层的聚合操作;h,表示在神经网络1层的隐含描述。可用下述公式表示:htl表示在神经网络1+1层的隐含描述;ombine表示在神经网络+1层的更新操作。在动态网络环境中,节点不仅具有真实的含义,而且还具有一定的属性。例如,网络中两个IP地址之间的连接是通过网络实现
11、的,因此在网络结构设计、属性特征提取时,必须考虑到边缘和节点的信息。利用两套神经网络与JK网络的网络结构,将原始样本及其相应的特征进行抽熊英乔:基于神经网络算法的动态网络异常检测方法1取,并进行合并,形成特征抽取的框架。(1)将提取到的网络特征以50 150 的规格矩阵作为输入,结合神经网络模型进行对网络异常的检测。在检测时,将采样流量数据转化为矩阵数据,并对该区域的流量特性进行总结和计算 0。在利用动态网络表达学习框架得到表达矢量后,利用数据流上的异常检测算法对表达矢量进行检测。采用鲁棒的随机截断树算法对表达矢量进行处理。RRCF算法主要是根据以下两个方面进行的:第一,将异常点与全部数据分开
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 神经网络 算法 动态 网络 异常 检测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。