基于数据挖掘的网络异常检测技术

前言：想要写出一篇引人入胜的文章？我们特意为您整理了基于数据挖掘的网络异常检测技术范文，希望能给你带来灵感和参考，敬请阅读。

1网络异常检测技术概述

如今，我们已经处于网络时代，生活的方方面面都离不开网络，而且网络的稳定与否直接影响着人们生活质量的高低。在日常生活中，由于受到外界因素的影响以及网络本身的问题，常常会出现网络异常的情况，为了解决这一问题，保证用户上网的流畅性，需要针对发生异常的网络进行检测，这种技术就是网络异常检测技术。网络异常这种情况在生活中较为常见，但是产生的原因却十分复杂，一旦找不到问题的原因，就会造成网络大范围的崩溃，进而影响人们的工作和生活。

2基于数据挖掘的网络异常检测技术

数据挖掘就是人们常说的知识发现，通过对海量的、杂乱无章的、不清晰的并且随机性很大的数据进行挖掘，找到其中蕴含的有规律并且有价值和能够理解应用的知识，这一过程就是数据挖掘。它主要是借助分析工具找到数据和模型之间的关心，之后进行预测，并将数据回归到真实变量。在网络异常检测技术中应用数据挖掘技术，能够从海量数据中找到需要的信息，并且根据数据信息建立模型，从而对入侵行为和正常操作进行分类了，数据挖掘的方法有两种：一种是分类分析，一种是聚分析。分类分析需要找到数据之间的依赖关系，并且进行预判断，这一过程需要兴趣度的介入，也就是对规则的可行性和适用性进行衡量，确保满足最小阈值，之后建立一个数据映射分类模型，从而输出离散类别。分类的效果与数据的特点息息相关，有的数据噪声较大，有的数据缺失不全，有的数据密集分布，有的数据字段离散，所以还需要具体情况具体分析。聚类分析是通过反复的分区从而找到解决办法，它的输出是各个不同类型的数据，也就是先对数据进行初始归类，之后去粗取精进行合并，最后使得对象之间能够彼此联系，归于一类。值得一提的是，通过对数据和对象之间的距离进行聚类，能够消除数据的噪声，完成不同形状的聚类，也可以对数据的空间分布进行划分，形成网格单元，对数据分布情况进行更直观的判断。

3基于机器学习方法的网络异常检测技术

机器学习指的是根据人类学习的情况，对机器进行研究，使得机器掌握学习的能力，从而获取新的知识，并通过一系列的模拟学习，让机器能够自主解决问题。机器学习是人工智能的最新成果，由环境、执行和数据库构成，首先环境为机器学习系统提供信息，之后机器学习系统对这些信息进行识别，和数据库进行对比，最后加以执行，网络异常检测技术应用机器学习方法主要有两种情况：监督学习和无监督学习。监督学习指的是通过之前的异常情况和数据分析进行练习和研究，找到一个固定的模板，从而对输入信息进行检测，根据检测结果进行判断，对异常情况进行分类。这种方法需要研究人员熟悉网络异常的特征，并且能够准确区分数据，从而使得机器学习系统能够检测出不同类型的异常，同时，如果是新型的异常，系统也能够检测出来。下面介绍一些检测的方法：第一种，KNN算法，这种算法是比较简单的机器学习方法，并且能够对异常行为直接进行计算，并根据最近的K个样本找到相似的类型，尤其是在动态网络中，应用比较成熟。但是样本需要均匀分布，如果测量不准确就可能出现一定的误差，所以也可以结合其他算法同时使用。第二种，决策树法，这种方法和流程图比较像，每个节点代表者检测的属性，每个分支则是检测结果，每片叶子就是异常的类型。在检测过程中通过对没有标记的数据进行分类，由上到下测试，之后选择合理的分支和节点，最后在叶片上判断类型。但是随着网络数据的不断增多，需要对内存资源进行优化，从而提高系统检测的精准性。无监督学习不需要对异常情况做标记，只需要根据目前的网络进行建模，这样极大地减少了工作量，同时能够将数据聚集情况进行分类，之后由研究者进行判断，虽然准确度不如监督学习的高，但是操作便捷，简单易行，它的检测方法如下：第一种，Apriori方法，这种算法能够第一时间检测到网络的异常，并且直接锁定攻击来源，主要是找到满足设定的频集，之后根据频集的相关规则，对数据进行保留处理，之后生成动态的检测规则，提高系统的稳定性。第二种，EM方法，在对网络异常进行检测时，数据可能会有缺失或者是处于隐性状态，所以需要根据检测对象的属性对其权重进行分配，找到属性期望，之后根据似然估计进行计算，从而实现交替循环。

4结论

综上所述，网络异常直接影响着用户的信息安全，所以需要认真做好网络异常的检测工作，通过创新和应用相关的检测技术，在最快的时间内找到产生的问题的原因，从而加以解决，满足人们使用网络的需求。

参考文献

[1]黄煜坤.网络安全异常检测技术探究[J].电子测试,2015(05):40-42+45.

[2]廖国辉,刘嘉勇.基于数据挖掘和机器学习的恶意代码检测方法[J].信息安全研究,2016,2(01):74-79.

作者：秦振凯 单位桂林电子科技大学海洋信息工程学院