大数据环境下网络流量异常检测研究.docVIP

大数据环境下网络流量异常检测研究 　　摘 要： 针对传统模型的网络流量异常检测正确率低，检测时间长的难题，设计了一种大数据环境下的网络流量异常检测模型。首先，对网络流量异常检测的研究现状进行分析，找到引起当前检测模型不足的原因；然后，采用HDOOP平台设计基于最小二乘支持向量机的网络流量异常检测模型；最后，在Maltab 2014平台下进行网络流量异常检测实验。实验结果表明，该模型可以准确对网络流量异常现象进行检测，获得了比其他模型更优的网络流量异常检测结果，具有更高的实际应用价值。 　　关键词： 网络安全； 流量异常检测； HDOOP平台； 最小二乘支持向量机； 大数据环境； 检测模型 　　中图分类号： TN915.08?34； TP392 文献标识码： A 文章编号： 1004?373X（2018）03?0084?04 　　Abstract： Since the traditional network traffic anomaly detection model has low detection accuracy and long detection time， a network traffic anomaly detection model in large data environment was designed. The research status of the network traffic anomaly detection is analyzed to find out the reason causing the poor performance of the current detection models. The HDOOP platform is used to design the network traffic anomaly detection model based on least square support vector machine. The network traffic anomaly detection experiment was carried out with Matlab 2014 platform. The experimental results show that the model can detect the network traffic anomaly phenomenon accurately， its network traffic anomaly detection result is better than that of other models， which has higher practical application value. 　　Keywords： network security； traffic anomaly detection； HDOOP platform； least square support vector machine； large data environment； detection model 　　0 引 言 　　随着网络应用范围的不断扩展，出现了许多不同类型的网络，网络上传输的数据类型增多，网络拥塞频率比以前也大幅增大，如何保证网络系统的正常运行显得尤为重要。网络流量是一种描述网络运行情况的重要指标，对网络流量异常行为进行检测，可以发现不正常的网络状态，因此，如何建立高正确率的网络流量异常检测模型引起了人们的高度关注[1?2]。 　　网络流量异常检测问题的研究一直没有停止过，当前存在大量的网络流量异常检测模型。网络流量异常检测可以认为是一种网络流量分类问题，即将网络状态划分为正常和异常两种：当处于异常状态时，就对其进行相应的处理；如果是正常状态，那么就不用制定相应防范措施[3]。当前网络流量主要基于统计学理论进行建模和检测，建模方法的选择直接影响到网络流量异常检测效果，主要有神经网络和支持向量机两种[4?6]，其中，神经网络的类型很多，但它们有一个共同要求：网络流量异常训练样本的数量要达到一定规模，如果没有达到这个要求，那么网络流量异常检测结果就不理想；如果满足该要求，就可以获得理想的网络流量异常检测结果。因此，该类建模方法的网络流量异常检测结果不稳定，而且存在神经网络结构难以确定的不足，在网络流量异常检测中的应用范围受到一定限制[7]。与神经网络相比，支持向量机对网络流量训练样本的数量要求没有那么严格，而且其学习能力更优，因此，在网络流量异常检测的应用范围更广[8?10]。然而随着网络流量异常检测研究的不断深入，学者们发现，当网络流量规模较大时，支持向量机的建模时间长，建模