基于特征分布的網(wǎng)絡(luò)流量異常檢測.pdf

1、隨著信息技術(shù)的飛速發(fā)展，互聯(lián)網(wǎng)在人們的工作和生活中有著不可或缺的地位。然而在人們享受網(wǎng)絡(luò)帶來便利的同時，也面臨著各式各樣的威脅。異常檢測作為網(wǎng)絡(luò)安全領(lǐng)域一種重要的技術(shù)手段，受到了越來越多的重視。國內(nèi)外學(xué)者對異常檢測技術(shù)展開了一系列卓有成效的研究，但還存在著檢測范圍不夠全面、誤報率較高和檢測效率不能滿足高速網(wǎng)絡(luò)實時檢測需求等問題。
　　 針對這種情況，本文對常見網(wǎng)絡(luò)攻擊實例進行分析，明確了網(wǎng)絡(luò)攻擊通常會引起流量特征分布的變化，因此

2、采用了兩種輕量級的網(wǎng)絡(luò)流量異常檢測方法，主要的工作如下:
　　 (1)針對香農(nóng)熵在描述網(wǎng)絡(luò)流量特征分布上的不足，采用了一種基于Tsallis熵的網(wǎng)絡(luò)流量異常檢測方法。該方法首先通過調(diào)整非廣延參數(shù)q的值獲得多個不同的Tsallis熵，利用這一組Tsallis熵描述各個特征在不同事件域中的分布情況，為異常檢測提供了更多有用的信息;然后利用Renyi交叉熵衡量各特征在相鄰時間窗口中的分布變化;最后結(jié)合動態(tài)閾值采用簡單選舉法判斷是否發(fā)生

3、了異常。將該方法應(yīng)用于人工合成數(shù)據(jù)，實驗結(jié)果表明，Tsallis熵的檢測性能優(yōu)于香農(nóng)熵，并且時間復(fù)雜度較低。
　　 (2)采用了基于K-means聚類的網(wǎng)絡(luò)流量異常檢測方法。該方法采用了能從多個角度反映網(wǎng)絡(luò)流量狀態(tài)的測度;然后計算各維測度在滑動窗口中的局部均值偏差，使其能夠反映當前的異常程度，以提高在實時動態(tài)變化的網(wǎng)絡(luò)流量中檢測的準確性;最后利用K-means聚類算法融合多維測度進行綜合評判，以降低漏報率和誤報率。在網(wǎng)絡(luò)流量數(shù)據(jù)