基于CBF流抽样的网络安全

现有网络中常存在DDOS、恶意端口及IP扫描、蠕虫等异常产生大量的只包含1个数据包的流量.针对高速网络流量特点及网络异常导致的流量突然上升,提出了一种改进的基于CBF的流抽样算法.该算法对定长时间内到达的数据包进行固定数量的抽样,使抽样率能适应于流量变化,并可控制资源的消耗,尤其当泛洪攻击、DDOS攻击等导致大规模异常网络流量出现时,能有效保护路由器的处理器和内存资源以及传输流记录所需的带宽资源,同时又不失简单性和准确性.     

一种用于异常检测的网络流量抽样方法

为了减小抽样数据对网络异常检测的影响,提出了一种新的可变抽样率的网络流量抽样方法.通过利用哈希模式匹配算法,将到达的数据报文按流标识分类并记录下该报文在流中的位置,然后根据报文所属流的位置顺序减函数来设置不同的报文抽样概率.实验结果表明,所提方法增加了短流报文的抽样概率,解决了由于随机报文抽样方法偏向于长流抽样而导致的网络异常丢弃的问题,从而提高了异常检测的正确性.     

基于掩码匹配的报文双抽样方法

基于掩码匹配的报文抽样算法是一种实用性较强的分布式流量抽样算法,但是该算法在测量报文到达时间间隔的分布这一重要网络流量特征时性能较差。首先根据误差理论分析了产生这一问题的原因,为了降低测量的系统误差,在原算法中引入了双抽样的改进方案。考虑到改进后的算法会给测量系统带来额外的负担,提出了增加了抽样掩码位数的解决办法,并且论证了其可行性。最后基于实际的网络流量数据进行了实验验证,结果表明：改进后的算法测得的报文到达时间间隔的分布符合真实的分布情况,并且对其它网络性能指标的测量精度影响较小。     

基于节点加权的网络流量测量点选择算法

为了解决现有算法无法根据不同节点对网络流量传输具有不同重要性选择流量测量点的问题,提出了一种基于节点加权的网络流量测量点选择算法。该算法首先通过节点关键度对节点进行权重分配,之后使用节点加权的关联矩阵近似算法计算初始解,最后通过对基本蚁群算法中的信息素初始化以及期望启发信息值计算进行改进形成基于节点加权的蚁群算法,并以此计算问题最终解。实验结果表明,基于节点加权的网络流量测量点选择算法能够在保证链路覆盖率的前提下,优先选择关键度更高的节点。     

基于灰狼算法优化深度学习网络的网络流量预测

针对深度学习网络在网络流量预测建模过程中的参数优化难题, 以改善网络流量预测结果为目标, 提出一种基于改进灰狼算法优化深度学习网络的网络流量预测模型. 首先, 收集网络流量历史数据, 并对数据进行相空间重构、 归一化等预处理; 其次, 引入灰狼算法快速搜索到全局最优深度学习网络的相关参数, 并根据最优参数对预处理后的网络流量历史数据进行学习, 建立能挖掘网络流量历史数据变化规律的预测模型; 最后, 与其他算法优化深度学习网络的网络流量预测模型进行对比分析. 实验结果表明, 基于改进灰狼算法优化深度学习网络的网络流量预测精度超过90%, 远高于其他对比模型, 且预测建模过程的建模时间少于对比模型, 可满足网络流量管理的高精度和实时性要求.     

网络流量长相关特性的估值算法的性能分析

长相关特性(LRD)是网络流量的最基本的统计特性，有多种算法可以用于判定网络流量是否具有长相关特性．但各种算法对Hurst参数均采用估值的方式而不是直接计算的方式，因此，它在各种条件下的鲁棒性和可靠性值得探讨．用确知的LRD序列和确知的非LRD序列来检验几种常用的估值算法的正确性和鲁棒性，并根据实验结果，提出了在研究网络流量的LRD特性时应注意的问题．     

基于优化蚁群算法的网络流量数据精准挖掘仿真

为了更好的提高网络流量数据挖掘准确性,提出基于优化蚁群算法的网络流量数据精准挖掘仿真方法。结合蚁群算法对网络数据异常特征数值进行采集,并根据采集结果进行归类计算,根据数据特征归类标准对网络流量挖掘步骤进行优化,最终实现对网络流量数据的精准挖掘。最后通过实验证实,传统方法数值波动范围在±15之间,而所提方法数值波动范围在±5之间,检测精准度更高,具有较高的实际应用性。     

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型(Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM).首先支持向量机(Support Vector Machine,SVM)参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化(Particle SwarmOptimization,PSO)算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

网管测试平台中流量数据的生成算法研究

为了给网络管理测试系统提供模拟真实可信的网络流量数据，提出了一种数据生成算法，解决了网络管理测试平台中对高度仿真数据的需要数据。回顾了当前网络流量的特点，明确了当前网络流量的自相似性；根据实际采集的网络流量的调制特征，采用源叠加ON／OFF模型生成模拟数据；     

高阶间隔估计算法在网络流量监测中的应用研究

当前的网络流量监测方法比如报文抽样和时间间隔抽样,存在资源消耗大和精度低2个方面的问题,本文提出了一种高带宽及高传输速率情况下的流量监测方法,即以均匀分组采样方法为理论的高阶间隔估计算法﹒首先根据网络流量的动态变化,实时调整采样次数;再利用低阶采样数据及优化算法进行高阶估计;最后采用相对熵进行采样性能分析与估计﹒仿真结果表明,随着高阶间隔的逐渐增大,流量监测的精度相比报文采样和时间间隔采样得到逐步提高,而资源消耗却显著减少﹒     

网络环境下XPath查询集的冗余去除

网络环境下XML数据库查询应用，目前国内外已存在多种优化技术，查询重写，语义缓存等，但在冗余去除方面却缺乏研究。在已有技术的基础上，从减少网络流量的角度改进原XPath查询集冗余去除方案，利用XPath树模式和DTD对查询集在不同XML文档结构下冗余度进行评估，并在算法中权衡网络流量和XPath查询复杂度，来满足用户需求。     

一种基于bot优先抽样的P2P botnet 在线检测技术

僵尸网络利用高效灵活的一对多控制机制,为攻击者提供了储备、管理和使用网络攻击能力的基础架构和平台,已成为当前Internet最严重且持续增长的安全威胁之一。为满足在高速网络实时检测P2P僵尸网络的需求,提出了一种基于bot优先抽样的在线检测技术。该方法利用bot优先的分级算法和基于优先级的包抽样算法,使得检测系统能够高效利用计算资源,在整体抽样率有限条件下,优先对疑似P2P僵尸通信数据包进行抽样,并使用流信息重构技术和流簇分析技术对抽样包进行统计分析来发现P2P僵尸主机。实验结果表明,所提出的在线检测技术能够有效提高对疑似P2P僵尸网络流量亚群的包抽样率,具有良好的在线检测效率和P2P僵尸检测命中率。     

基于小波分析的网络流量问题研究

应用小波变换，精确地刻画网络流量的自相似特性，应用Mallat算法模拟网络流量在此基础上，分析了局域网和广域网的网络流量特性．     

基于NetFPGA的网络流量采集器

针对大多数基于软件的流量采集器不能实时处理高速环境下网络流量的问题,设计并实现一种基于NetFPGA的流量采集器,以达到在线流量的采集和分类。本设计采用模块化的架构,利用循环冗余检验算法来标识一个流,同时生成存储器的地址,在采集流量之前运用灵活的过滤规则对网络流量进行过滤,以减少待分类的网络流,使得采集器可以根据不同的需要采集流量。将采集器应用于千兆交换机网络环境进行在线数据采集实验,结果显示,该网络流量采集器能以线速工作在吉比特网络中。     

网管测试平台中流量数据的生成算法

针对网络管理测试系统对模拟真实可信的网络流量数据的需求,提出一种数据生成算法。在分析当前网络流量特点的基础上,明确网络流量的自相似性,再根据实际采集的网络流量的调制特征,采用源叠加ON/OFF模型生成模拟数据,以流量数据的多重分形特征为标准,对模拟结果和真实数据的相似性进行了评估。结果表明,采用该算法生成的数据可作为网络管理测试平台中的流量驱动数据。     

基于时间特征的网络流量异常检测

为了解决传统网络管理方法不能适应网络复杂性、不能准确刻画网络异常行为的问题.采用一种基于时间特征的网络流量异常检测模型,研究分析网络流量的变化规律.利用指数平滑预测算法对未来网络流量进行预测,利用中心极限定理并结合实际经验确定动态的网络流量阈值,对当前和未来的网络流量异常进行检测.研究结果表明:当网络流量发生异常时,该模型能够进行有效的检测,能准确地描述网络的运行状况.该算法提高了网络流量检测的智能性,具有较高的实用价值.     

基于哈希技术的流测量算法研究

基于哈希技术的流测量算法是网络测量领域的一种关键技术，对网络管理、规划和发展都有重要意义．本文对目前网络测量应用中常用的几种基于哈希技术的流测量算法进行研究比较，主要介绍了标准BF、CBF、MF、Sample and Hold、MGCBF和TCBF等几种哈希技术的工作原理、应用以及优缺点，并根据分析结果提出综合多种技术相结合的研究方向。     

基于ELM的网络流量分类及可视化研究

精准的网络流量分类是网路流量监测和网络流量数据分析的重要基础。机器学习方法利用统计网络流量的各种特征,不依赖于协议端口和协议内容对网络流量数据进行分析。采用超限学习机(ELM)和改进算法分层超限学习机(H-ELM)作为机器学习的算法,识别客户端与服务器。对链路层、网络层和应用层数据进行分析,实现对多层次网络流量数据的可视化,对H-ELM和ELM算法的实验结果进行对比。实验结果表明,ELM算法能有效地应用于网络流量分类,基于ELM分类模型的网络流量识别训练速度快。H-ELM通过紧凑的特征去除冗余原始输入,改进了总体学习表现。     

光交换网的一种路由算法研究

本文把光交换细分为时隙层、波长层和光纤层的交换，提出了一种适用于光交换网的、可根据网络流量实时选路的路由算法．     

基于ABC+AFS-LSSVM的网络流量预测模型

鉴于人工蜂群算法(ABC)算法和人工鱼群(AFS)算法本身的优势,为提高预测精度,提出基于ABC+AFS-LSSVM的网络流量预测模型.运用基于ABC+AFS-LSSVM的模型对网络流量进行了预测,并与ABC-LSSVM、AFS-LSSVM和PSO-LSSVM模型的预测结果进行了比较,结果表明,基于ABC+AFS-LSSVM的网络流量预测模型预测精度较高,具有更好的性能及应用前景.