论文部分内容阅读
网络流量预测和异常检测的研究已取得非常好的研究成果,但是这些研究成果主要是基于大数据分析的,对网络设备的计算、存储能力以及资源都有较高的要求。因此,现有的预测和异常检测技术不适用于能源、资源受限的网络设备。但是,随着物联网的普及,这类设备越来越多的被用于网络中。所以为保证网络资源的合理分配和网络的安全性,对可适用于这类设备的网络流量预测和异常检测技术的研究是非常有必要的。灰色预测模型具有小样本性、贫信息、计算复杂度低三大优点。小样本性和贫信息表明模型对数据需求量低,需要的存储资源非常有限;计算复杂度低是指需要的计算资源和能源有限。也就是说该算法的时空复杂度都比较低。本文主要探讨将灰色预测理论用于网络流量建模,特别是用于能源、资源受限的物联网等场合的网络流量预测与异常检测。主要包括如下几个方面:首先,对基本灰色预测模型进行了介绍,主要包括模型的建立条件以及模型精度和预测结果准确性的评断依据。其次,研究了网络流量数据的特点,验证了灰色预测模型在流量建模中的可行性。在基础的灰色预测模型上增加了数据预处理环节,分析研究不同缓冲算子对模型预测效果的影响,并确定了具有最优预测效果的缓冲算子。实验表明,对于实验中的网络流量,所确定的指数型弱化缓冲算子可以在基础灰色预测的基础上提高预测的精度。第三,基础的灰色预测模型在预测时具有较高的预测精度,但不能实现信息的连续更新。本文通过新陈代谢灰色预测模型实现了信息连续更新的预测。结合前面的数据预处理算子最终确定了基于指数型弱化缓冲算子的新陈代谢灰色预测模型(ewboMGM1,1)。利用UK数据集对该模型做出了实验分析,结果表明该模型具有较高的预测精度、较快的预测速度。同时提出了基于马氏过程的网络流量趋势的预测,以概率的形式表示出未来流量的变化趋势,弥补了ewboMGM1,1仅是定量预测的不足。最后,基于灰色预测模型,研究了基于多维统计特征的网络异常流量的检测方法。利用KDD数据集对文中所提方法和其他常用的两种异常检测方法做了实验分析。实验结果表明所提方法实现了时间和准确率的折中,在保证了准确率的基础上降低了异常检测时间。