导读:本文包含了网络异常流量论文开题报告文献综述及选题提纲参考文献，主要关键词:新能源电厂,网络流量,异常检测,经验模态分解
网络异常流量论文文献综述
赵博,张华峰,张驯,赵金雄,孙碧颖[1]（2019）在《基于EMD的电厂网络流量异常检测方法》一文中研究指出针对新能源电厂网络系统安全威胁检测需求,以及现有网络安全异常检测方法自适应能力差、人工参与多、误报率高等问题,提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)的自适应实时异常检测方法。该方法首先对新能源电厂网络中的流量进行多个维度的特征刻画,实现流量特征建模;然后在此基础上对特征指标进行自适应经验模态分解、方差计算、高斯拟合和阈值确定,以实现对流量特征指标的自适应异常检测和安全告警。采用典型攻击样本集合对本文方法和基于小波变换的异常检测方法进行了对比测试,测试结果表明,该方法能够准确、实时、自适应地识别未知流量异常,检测效果在准确率、误报率方面优于基于小波变换的异常检测方法。(本文来源于《计算机科学》期刊2019年S2期）
郭小娟[2]（2019）在《基于局部异常因子的信息网络流量异常检测》一文中研究指出网络流量异常问题是网络遭受攻击的一种表现,通常会引起网络丢包、网络延迟、甚至造成网路堵塞和瘫痪,严重威胁着网络性能和安全。因此,对于网络流量异常进行有效检测,对保障网络的正常运行具有重要意义。设计了一种基于局部异常因子的信息网络流量异常检测方案,在局部异常因子算法的基础上通过MVC模型,采用了SOA结构,通过计算最邻近点的K值,实现网络流量异常检测。在仿真实验中人为制造异常点,对比本文方法与传统方法的检测效果,结果表明设计的方案优于传统异常检测方法。(本文来源于《信息通信》期刊2019年11期）
李师谦,张吉刚,王海涛[3]（2019）在《面向园区网的分级网络异常流量监测系统设计》一文中研究指出网络异常流量监测对于发现网络安全隐患和确保网络健康平稳运行具有重要意义。本文针对典型的园区网络环境,在调研和分析现有流量监测方法和技术的基础上,设计并实现了一种具有较强适应性的分级网络流量异常监测系统。该系统按照层次结构综合了多种网络异常流量监测模块,主要包括基于特征匹配的异常流量监测模块、基于Holt-Winter指数平滑算法的短期微观异常流量监测模块和基于流量曲线比对的长期宏观异常流量监测模块。通过上述叁种不同粒度的异常流量监测模块的协同工作,确保了整个分级异常流量监测系统具有较好的灵活性和适用性。(本文来源于《数据通信》期刊2019年05期）
王小文[4]（2019）在《基于改进特征选择法的移动通信网络流量异常监测系统》一文中研究指出由于传统系统受到网络时延和信号干扰的影响,导致系统监测效果较差,提出了基于改进特征选择法的移动通信网络流量异常监测系统.利用报警装置对异常数据进行警示,并通过显示模块显示监测结果,解析全部网络流量特征.根据特征选择流程,获取网络流量异常特征,实现对异常网络流量的实时监测.提取异常流量并展开分析,采用改进特征选择法对异常流量进行选择,由此实现移动通信网络流量异常监测系统的设计.实验结果显示,该系统最高监测准确率可达88%,保证移动通信网络能在安全稳定条件下运行.(本文来源于《平顶山学院学报》期刊2019年05期）
邓小清,王伦浪[5]（2019）在《基于准实时流量数据报出与信息熵技术的网络流量异常监测研究》一文中研究指出网络流量异常监测主要通过数据仓库、OLAP、数据挖掘、WEB、ETL等相关技术,来提高网络监测数据处理和存储的效率,同时还可以通过信息熵技术保证精确性、简洁性,能够确保精确性的前提下更为简洁高效.针对这些技术,文中通过合理的架构,使得信息熵技术在功能性方面达到了决策更加有效合理的效果,同时还验证了信息熵技术框架的灵活性和可复用性.(本文来源于《首都师范大学学报(自然科学版)》期刊2019年05期）
杨永娇,唐亮亮[6]（2019）在《一种基于深度Encoder-Decoder神经网络的智能电网数据服务器流量异常检测算法》一文中研究指出传统的网络流量异常检测通常基于单一原始特征变量进行阈值判断,或者对多个相关变量进行降维设计统计量后进行阈值判断,这类方法虽然简单,但无法应对变量间非线性关系随时间变化的情况。本文设计一种能够自适应动态逼近变量间非线性关系的深度神经网络,在普通的Encoder-Decoder神经网络的基础上引入2层注意力机制,提高了神经网络对长期历史信息的利用程度,实现了流量正常状态估计。基于估计得到的流量正常行为,分析其与实测值的残差分布情况,并最终给出置信区间作为判别异常行为的控制限。(本文来源于《计算机与现代化》期刊2019年10期）
陈易平,俞龙,谌颃[7]（2019）在《大数据环境下基于小波神经网络和ARMA模型的流量异常检测》一文中研究指出大数据环境下的运维管理工作需要准确地对可能的故障进行预警,但是传统方法无法应对复杂的非线性动态系统以避免故障带来的严重损失。因此,针对流量序列的异常检测问题,提出了一种基于小波神经网络和自回归滑动平均模型(ARMA)的流量异常检测方法。使用序列预测偏差拟合正态分布来构建异常可置区间,从而对时间序列分析法中的ARMA模型进行改进。采用贝叶斯组合理论把小波神经网络预测与ARMA时间序列预测相结合建立组合模型来实现流量异常预警。测试结果表明:与其他多种模型相比,该组合模型在准确描述网络的运行状况方面表现出较好的优势。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年10期）
刘慕娴,陈文迪,刘桂华[8]（2019）在《一种基于K-means算法的网络流量异常检测模型研究》一文中研究指出网络流量异常检测作为一种有效的网络防护手段,能够检测未知攻击行为。为了更高效地检测出流量异常,文章提出一种基于K-means算法的网络流量异常检测模型。该方法首先将网络流量特征属性量化为熵值进行分类,然后将K-means聚类分析算法运用在网络流量异常检测中,提高了检测准确率,从而实现安全监测预警。该模型与传统的一些网络流量异常检测模型相比,具有更高的准确率。(本文来源于《无线互联科技》期刊2019年18期）
谢晓广[9]（2019）在《船舶网络流量的异常状态检测模型》一文中研究指出船舶网络流量异常状态直接描述船舶网络工作情况,当前船舶网络流量异状检测过程中存在误差大、计算时间复杂度高等缺陷,为了获得更好的船舶网络流量异常状态检测结果,设计了基于复合核函数极限学习机的船舶网络流量异常状态检测模型。首先分析当前船舶网络流量异常状态检测研究进展,阐述船舶网络流量异常状态检测的基本思路,然后采集船舶网络流量异常状态检测数据,并采用复合核函数极限学习机建立船舶网络流量异常状态检测模型,最后进行仿真实验,实验结果表明,复合核函数极限学习机可以全面、客观描述船舶网络流量异常状态,检测精度高、时间短,相对于其他船舶网络流量异常状态模型,综合性能更优,可以有效保障船舶网络正常、安全工作。(本文来源于《舰船科学技术》期刊2019年18期）
翟建丽,王映丽[10]（2019）在《基于模糊聚类的网络异常流量检测算法研究》一文中研究指出为了提高异构有向传感器网络异常流量检测能力,提出一种基于模糊聚类的异构有向传感器网络异常流量检测算法。对采集的异构有向传感器网络传输数据进行低维度的特征集构造,构建异构有向传感器网络异常流量分布的粗糙集模型,对网络的异常流量特征集采用自适应回归分析方法进行统计特征量提取,以少量的样本类别数据为测试集,采用模糊C均值聚类方法对异构有向传感器网络异常流量进行向量量化分析,对全部的异常样本进行抽样训练,提取异构网络异常流量的高阶谱特征量,将异构有向传感器网络异常流量的特征提取结果输入到BP神经网络分类器中进行数据分类,结合大数据融合聚类方法实现异构有向传感器网络异常流量检测。仿真结果表明,采用该方法进行异构有向传感器网络异常流量检测的准确性较高,抗异常流量干扰能力较好,提高了网络的流量安全监控能力。(本文来源于《电子测量技术》期刊2019年16期）
网络异常流量论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
网络流量异常问题是网络遭受攻击的一种表现,通常会引起网络丢包、网络延迟、甚至造成网路堵塞和瘫痪,严重威胁着网络性能和安全。因此,对于网络流量异常进行有效检测,对保障网络的正常运行具有重要意义。设计了一种基于局部异常因子的信息网络流量异常检测方案,在局部异常因子算法的基础上通过MVC模型,采用了SOA结构,通过计算最邻近点的K值,实现网络流量异常检测。在仿真实验中人为制造异常点,对比本文方法与传统方法的检测效果,结果表明设计的方案优于传统异常检测方法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
网络异常流量论文参考文献
[1].赵博,张华峰,张驯,赵金雄,孙碧颖.基于EMD的电厂网络流量异常检测方法[J].计算机科学.2019
[2].郭小娟.基于局部异常因子的信息网络流量异常检测[J].信息通信.2019
[3].李师谦,张吉刚,王海涛.面向园区网的分级网络异常流量监测系统设计[J].数据通信.2019
[4].王小文.基于改进特征选择法的移动通信网络流量异常监测系统[J].平顶山学院学报.2019
[5].邓小清,王伦浪.基于准实时流量数据报出与信息熵技术的网络流量异常监测研究[J].首都师范大学学报(自然科学版).2019
[6].杨永娇,唐亮亮.一种基于深度Encoder-Decoder神经网络的智能电网数据服务器流量异常检测算法[J].计算机与现代化.2019
[7].陈易平,俞龙,谌颃.大数据环境下基于小波神经网络和ARMA模型的流量异常检测[J].重庆理工大学学报(自然科学).2019
[8].刘慕娴,陈文迪,刘桂华.一种基于K-means算法的网络流量异常检测模型研究[J].无线互联科技.2019
[9].谢晓广.船舶网络流量的异常状态检测模型[J].舰船科学技术.2019
[10].翟建丽,王映丽.基于模糊聚类的网络异常流量检测算法研究[J].电子测量技术.2019