基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)異常檢測技術(shù)
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(luò)異常檢測技術(shù)范文，希望能給你帶來靈感和參考，敬請閱讀。
1網(wǎng)絡(luò)異常檢測技術(shù)概述
如今，我們已經(jīng)處于網(wǎng)絡(luò)時代，生活的方方面面都離不開網(wǎng)絡(luò)，而且網(wǎng)絡(luò)的穩(wěn)定與否直接影響著人們生活質(zhì)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(luò)本身的問題，常常會出現(xiàn)網(wǎng)絡(luò)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(luò)進(jìn)行檢測，這種技術(shù)就是網(wǎng)絡(luò)異常檢測技術(shù)。網(wǎng)絡(luò)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(fù)雜，一旦找不到問題的原因，就會造成網(wǎng)絡(luò)大范圍的崩潰，進(jìn)而影響人們的工作和生活。
2基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)異常檢測技術(shù)
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(jī)性很大的數(shù)據(jù)進(jìn)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(yīng)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(guān)心，之后進(jìn)行預(yù)測，并將數(shù)據(jù)回歸到真實變量。在網(wǎng)絡(luò)異常檢測技術(shù)中應(yīng)用數(shù)據(jù)挖掘技術(shù)，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(jìn)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(guān)系，并且進(jìn)行預(yù)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(jìn)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(guān)，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(fù)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(jìn)行初始?xì)w類，之后去粗取精進(jìn)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(jìn)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(jìn)行劃分，形成網(wǎng)格單元，對數(shù)據(jù)分布情況進(jìn)行更直觀的判斷。
3基于機(jī)器學(xué)習(xí)方法的網(wǎng)絡(luò)異常檢測技術(shù)
機(jī)器學(xué)習(xí)指的是根據(jù)人類學(xué)習(xí)的情況，對機(jī)器進(jìn)行研究，使得機(jī)器掌握學(xué)習(xí)的能力，從而獲取新的知識，并通過一系列的模擬學(xué)習(xí)，讓機(jī)器能夠自主解決問題。機(jī)器學(xué)習(xí)是人工智能的最新成果，由環(huán)境、執(zhí)行和數(shù)據(jù)庫構(gòu)成，首先環(huán)境為機(jī)器學(xué)習(xí)系統(tǒng)提供信息，之后機(jī)器學(xué)習(xí)系統(tǒng)對這些信息進(jìn)行識別，和數(shù)據(jù)庫進(jìn)行對比，最后加以執(zhí)行，網(wǎng)絡(luò)異常檢測技術(shù)應(yīng)用機(jī)器學(xué)習(xí)方法主要有兩種情況：監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)指的是通過之前的異常情況和數(shù)據(jù)分析進(jìn)行練習(xí)和研究，找到一個固定的模板，從而對輸入信息進(jìn)行檢測，根據(jù)檢測結(jié)果進(jìn)行判斷，對異常情況進(jìn)行分類。這種方法需要研究人員熟悉網(wǎng)絡(luò)異常的特征，并且能夠準(zhǔn)確區(qū)分?jǐn)?shù)據(jù)，從而使得機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)方法，并且能夠?qū)Ξ惓Ｐ袨橹苯舆M(jìn)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(luò)中，應(yīng)用比較成熟。但是樣本需要均勻分布，如果測量不準(zhǔn)確就可能出現(xiàn)一定的誤差，所以也可以結(jié)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(jié)果，每片葉子就是異常的類型。在檢測過程中通過對沒有標(biāo)記的數(shù)據(jù)進(jìn)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(luò)數(shù)據(jù)的不斷增多，需要對內(nèi)存資源進(jìn)行優(yōu)化，從而提高系統(tǒng)檢測的精準(zhǔn)性。無監(jiān)督學(xué)習(xí)不需要對異常情況做標(biāo)記，只需要根據(jù)目前的網(wǎng)絡(luò)進(jìn)行建模，這樣極大地減少了工作量，同時能夠?qū)?shù)據(jù)聚集情況進(jìn)行分類，之后由研究者進(jìn)行判斷，雖然準(zhǔn)確度不如監(jiān)督學(xué)習(xí)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(luò)的異常，并且直接鎖定攻擊來源，主要是找到滿足設(shè)定的頻集，之后根據(jù)頻集的相關(guān)規(guī)則，對數(shù)據(jù)進(jìn)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(luò)異常進(jìn)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(quán)重進(jìn)行分配，找到屬性期望，之后根據(jù)似然估計進(jìn)行計算，從而實現(xiàn)交替循環(huán)。
4結(jié)論
綜上所述，網(wǎng)絡(luò)異常直接影響著用戶的信息安全，所以需要認(rèn)真做好網(wǎng)絡(luò)異常的檢測工作，通過創(chuàng)新和應(yīng)用相關(guān)的檢測技術(shù)，在最快的時間內(nèi)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(luò)的需求。
參考文獻(xiàn)
[1]黃煜坤.網(wǎng)絡(luò)安全異常檢測技術(shù)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(jī)器學(xué)習(xí)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(xué)海洋信息工程學(xué)院