基于ARX模型的网络流量异常检测

论文摘要

伴随着互联网的飞速发展和普及，网络资源的需求也迅速增加；与此同时网络中也包含着大量的网络攻击，其对网络性能的影响也越来越大。网络攻击的直接表现是网络流量异常，这就要求必须快速有效的检测出异常。本文提出了一种新的网络流量异常检测方法，即通过滑动时窗小波算法和ARX模型实现对网络流量的建模与预测，再由FCM聚类算法对其分类并检测异常点。本文首先介绍滑动时窗小波算法的特点和计算方法，如它能解决窗口滑动时产生的数据冗余；且原始窗口更新数据的同时，也能更新对应分解层的小波系数，体现出系数更新的实时性。接着通过系统辨识ARX模型对各层小波系数建模、获取模型残差序列，并探讨其在时间序列自适应预测方面的应用。然后探究模糊聚类、FCM算法的原理，并对ARX模型残差序列进行聚类分析和异常值检测。通过对上述数学模型的综合分析，本算法实现了对网络流量的异常检测，且体现出较好的实时性。最后采用KDDCup99数据集做网络流量异常检测实验，实验结果证实本方法可获得较高的异常检测率。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 网络流量异常
• 1.2.1 网络流量异常概念
• 1.2.2 网络流量异常分类
• 1.2.3 网络流量异常检测研究现状
• 1.3 本文主要工作
• 1.3.1 研究目标
• 1.3.2 研究内容
• 1.4 论文的内容及章节安排
• 第二章 小波技术及滑动时窗小波算法
• 2.1 小波分析及 Mallat 算法
• 2.1.1 小波简史
• 2.1.2 小波分析的特性
• 2.1.3 Mallat 算法
• 2.2 滑动时窗小波算法
• 2.2.1 引入滑动时窗原因
• 2.2.2 Haar 小波
• 2.2.3 滑动时窗技术
• 2.2.4 滑动时窗小波算法
• 2.2.5 算法复杂度分析
• 第三章 系统辨识 ARX 模型及 FCM 聚类算法
• 3.1 系统辨识概念
• 3.1.1 时间序列概念
• 3.1.2 系统辨识理论
• 3.1.3 系统辨识的建模过程
• 3.2 ARX 模型
• 3.2.1 ARX 模型的基本理论
• 3.2.2 ARX 模型的参数估计
• 3.2.3 ARX 模型预测
• 3.3 聚类算法概述
• 3.3.1 聚类概念
• 3.3.2 聚类的数学模型
• 3.3.3 聚类算法分类
• 3.4 FCM 算法
• 3.4.1 模糊集基本知识
• 3.4.2 硬 C 均值算法（HCM）
• 3.4.3 模糊 C 均值算法（FCM）
• 3.4.4 检测算法
• 第四章 基于 ARX 模型的网络流量异常检测方案
• 4.1 总体实验方案
• 4.2 实验数据集
• 4.2.1 KDDCup99 数据集
• 4.2.2 算法评价指标
• 4.2.3 检测阈值的选择
• 4.3 建立 ARX 模型
• 4.3.1 调用 Matlab 引擎
• 4.3.2 建立 ARX 模型
• 4.3.3 预测及得到残差
• 4.4 检测异常点
• 4.4.1 检测异常点流程
• 4.4.2 检测异常点算法
• 第五章 实验方案及结果分析
• 5.1 具体实验方案
• 5.1.1 滑窗小波分解原始信号
• 5.1.2 ARX 模型预测得到残差
• 5.1.3 FCM 聚类算法及检测算法实验
• 5.2 实验结果及分析
• 5.3 实验小结
• 第六章 总结与展望
• 致谢
• 参考文献