基于降維的骨干網(wǎng)流量異常檢測研究.pdf

1、近年來，隨著計算機通信技術(shù)的迅猛發(fā)展以及互聯(lián)網(wǎng)應(yīng)用的持續(xù)深化，使其成為人類社會不可或缺的基礎(chǔ)設(shè)施。但網(wǎng)絡(luò)異常事件的種類、數(shù)目和威脅也在不斷提升。因此，提高流量異常檢測方法的檢測率和運行率，是我們面臨的一個嚴峻挑戰(zhàn)。
　　由于骨干網(wǎng)的通信量非常大，異常行為分析需要以相對合適的粒度作為基礎(chǔ)，才能適應(yīng)骨干通信網(wǎng)絡(luò)的海量性和高速性。另外，骨干通信網(wǎng)絡(luò)流量異常檢測應(yīng)該在時效性、適應(yīng)性、有效性和全面性等方面有所提高。本文針對上述問題，做出了以

2、下幾個方面的工作:
　　第一，針對骨干通信網(wǎng)絡(luò)中流量的特征，使得采用精細分析是不現(xiàn)實的，該類方法很難滿足骨干通信網(wǎng)絡(luò)的在線性、存儲空間的有限性等要求。因此，本文采用數(shù)據(jù)源是相對合適的粒度流量，將這些流量看作隨時間變化的信號。另外，由于在大規(guī)模通信網(wǎng)絡(luò)環(huán)境中，對流量數(shù)據(jù)直接進行檢測的方法存在明顯的不足，從而需要采用降維方法用于減少計算復(fù)雜度、提高效率和精度。在本文中，使用了兩種常用的降維方法:sketch數(shù)據(jù)結(jié)構(gòu)和主成分分析。

3、>　　第二，針對在骨干通信網(wǎng)的海量背景流量中異常流量表現(xiàn)出的隱蔽性，提出了一種基于sketch數(shù)據(jù)結(jié)構(gòu)與正則性分布的骨干通信網(wǎng)絡(luò)流量異常分析與識別的方法，具有將高維流量隨機地映射到低維空間的效果，可溯源到惡意流量的來源。采用Lipschitz指數(shù)定位異常發(fā)生時刻，并通過計算熵值對異常進行識別。本文同樣地通過真實網(wǎng)絡(luò)流量實驗以及與不同檢測算法的對比，驗證了所提方法不僅能夠精確地溯源惡意流量，還能夠有效地對異常進行識別。
　　第三，針

4、對大部分研究僅僅是對單條鏈路流量作為數(shù)據(jù)源進行異常檢測，造成檢測結(jié)果有時并不明顯的問題，提出了一種基于本征模態(tài)分解(Empirical ModeDecomposition，EMD)與主成分分析的骨干通信網(wǎng)絡(luò)流量異常檢測方法，結(jié)合了OD(Origin-Destination)流流量矩陣的時間相關(guān)性和空間相關(guān)性。通過真實網(wǎng)絡(luò)流量實驗以及與不同檢測算法的對比，驗證了所提方法具有較好的檢測率和實時性。
　　綜上所述，針對骨干通信網(wǎng)絡(luò)流量異