骨干網絡流量異常行為感知方法研究.pdf

1、隨著骨干網絡向高速化、多樣化、復雜化方向發(fā)展，與網絡流量相關的管理和安全問題越來越復雜，網絡流量行為感知利用網絡流量特征參數感知網絡行為隨時間或空間發(fā)展變化的規(guī)律，成為學術界與工業(yè)界共同關注的前沿科學問題之一。數據傳輸的高速特征、傳輸信息的海量特征、數據流與應用流的多樣化特征及其相互關系的復雜性、各條鏈路間流量關系的復雜性等多種因素決定了骨干網絡流量行為感知的復雜性。本論文圍繞國家自然科學基金項目“大規(guī)模通信網絡異常行為特征分析與提取關

2、鍵技術研究”（項目編號：60872033）的研究任務，針對單匯接點和多匯接點兩類情形，從骨干網絡流量行為特征提取、骨干網絡流量異常行為理解及骨干網絡流量異常行為趨勢預測三個層次展開對骨干網絡流量異常行為感知的相關理論與技術問題的研究。論文的主要貢獻概括如下：
　　1．骨干網絡流量行為特征提取問題的研究。
　　由于骨干網絡數據傳輸的高速特征和傳輸信息的海量特征，精細的逐包分析難以滿足在線流量行為分析的要求，必須采用盡量少且相對

3、粗粒度的流量特征參數。針對全息描述骨干網絡流量行為的最小特征子集問題，本文采用了流量flow六元組（源目的地址，端口，協議類型，字節(jié)數）信息作為骨干網絡流量行為感知的基礎信息來源，實現了部分反映整體的哲學理念，是骨干網絡流量行為感知的前提和基礎。針對特征信息的高維特點，提出了一種基于信息熵的子空間分離流量特征分析方法，對海量高維的原始網絡流量數據在保持原有的幾何拓撲分布的前提下進行信息壓縮和簡約表示。
　　2．單匯接點情形下骨干網

4、絡流量異常行為理解方法的研究。
　　針對具有時頻譜范圍廣、包含多種信息的、非平穩(wěn)特性的復雜流量信號，通過流量信號的時間和頻率的聯合函數，從時域、頻域同時揭示網絡流量信號異常成分。對于一些更復雜的情況，如非線性、非平穩(wěn)的流量信號，提出了一種基函數由原始信號本身自適應得到的網絡流量信號分解方法。針對骨干網絡流量行為參數相互關系的復雜性，提出多時間序列分析方法，借助多時間序列提供的相互關系（如波形模式、結構模式等）理解網絡流量行為，通過

5、多時間關聯數據挖掘算法分析波形符號之間的關聯模式來理解異常行為，提高網絡流量行為感知能力。針對網絡流量行為的挖掘算法性能問題，提出了一種快速的關聯挖掘算法，通過減少掃描數據的次數，可提高海量高維網絡流量數據的挖掘性能。
　　3．多匯接點情形下骨干網絡流量異常行為理解方法的研究。
　　針對跨越多匯接點的異常行為在時間空間上具有相互依賴相互影響的特點，提出通過兩階段時空處理方法提取流量異常特征，運用多時間序列關聯挖掘算法提取跨越

6、多匯接點的協同異常在時間空間上的關聯模式，提高骨干網絡流量行為感知能力。
　　4．骨干網絡流量異常行為趨勢預測問題的研究。
　　針對短期流量行為趨勢的非線性特性，運用基于粒子群優(yōu)化后向傳播神經網絡的預測方法，通過粒子群進化獲取神經網絡學習權值，利用神經網絡進行預測。針對采樣后包含缺失值和干擾信息的網絡流量數據，提出了一種組合灰預測模型，通過子空間分離將原始數據分離到不同的子空間，不同的子空間采取相應的數據處理手段，在此基礎上