采集青春九年級作文

　　摘要：近年來(lái)，隨著(zhù)互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，網(wǎng)絡(luò )的覆蓋面積逐漸擴大，而相應的規模和結構也變得日益復雜，導致網(wǎng)絡(luò )安全問(wèn)題頻發(fā)，成為人們關(guān)注的重點(diǎn)。本文分別介紹了基于數據挖掘和基于機器學(xué)習方法的兩種網(wǎng)絡(luò )異常檢測技術(shù)的內容和特點(diǎn)，希望能夠為相關(guān)的工作提供借鑒和參考。

　　【關(guān)鍵詞】數據挖掘；機器學(xué)習；網(wǎng)絡(luò )異常檢測；監督；執行；回歸；同化

　　想要保障網(wǎng)絡(luò )安全需要應用先進(jìn)的網(wǎng)絡(luò )異常檢測技術(shù)，而傳統的靜態(tài)規則匹配的方法已經(jīng)落后于時(shí)代，尤其是如今網(wǎng)絡(luò )環(huán)境十分復雜，更需要及時(shí)檢測出是否存在攻擊或者破壞的行為，從而為網(wǎng)絡(luò )的安全運行打下堅實(shí)的基礎。

　　1網(wǎng)絡(luò )異常檢測技術(shù)概述

　　如今，我們已經(jīng)處于網(wǎng)絡(luò )時(shí)代，生活的方方面面都離不開(kāi)網(wǎng)絡(luò )，而且網(wǎng)絡(luò )的穩定與否直接影響著(zhù)人們生活質(zhì)量的高低。在日常生活中，由于受到外界因素的影響以及網(wǎng)絡(luò )本身的問(wèn)題，常常會(huì )出現網(wǎng)絡(luò )異常的情況，為了解決這一問(wèn)題，保證用戶(hù)上網(wǎng)的流暢性，需要針對發(fā)生異常的網(wǎng)絡(luò )進(jìn)行檢測，這種技術(shù)就是網(wǎng)絡(luò )異常檢測技術(shù)。網(wǎng)絡(luò )異常這種情況在生活中較為常見(jiàn)，但是產(chǎn)生的原因卻十分復雜，一旦找不到問(wèn)題的原因，就會(huì )造成網(wǎng)絡(luò )大范圍的崩潰，進(jìn)而影響人們的工作和生活。

　　2基于數據挖掘的網(wǎng)絡(luò )異常檢測技術(shù)

　　數據挖掘就是人們常說(shuō)的知識發(fā)現，通過(guò)對海量的、雜亂無(wú)章的、不清晰的并且隨機性很大的數據進(jìn)行挖掘，找到其中蘊含的有規律并且有價(jià)值和能夠理解應用的知識，這一過(guò)程就是數據挖掘。它主要是借助分析工具找到數據和模型之間的關(guān)心，之后進(jìn)行預測，并將數據回歸到真實(shí)變量。在網(wǎng)絡(luò )異常檢測技術(shù)中應用數據挖掘技術(shù)，能夠從海量數據中找到需要的信息，并且根據數據信息建立模型，從而對入侵行為和正常操作進(jìn)行分類(lèi)了，數據挖掘的方法有兩種：一種是分類(lèi)分析，一種是聚類(lèi)分析。分類(lèi)分析需要找到數據之間的依賴(lài)關(guān)系，并且進(jìn)行預判斷，這一過(guò)程需要興趣度的介入，也就是對規則的可行性和適用性進(jìn)行衡量，確保滿(mǎn)足最小閾值，之后建立一個(gè)數據映射分類(lèi)模型，從而輸出離散類(lèi)別。分類(lèi)的效果與數據的特點(diǎn)息息相關(guān)，有的數據噪聲較大，有的數據缺失不全，有的數據密集分布，有的數據字段離散，所以還需要具體情況具體分析。聚類(lèi)分析是通過(guò)反復的分區從而找到解決辦法，它的輸出是各個(gè)不同類(lèi)型的數據，也就是先對數據進(jìn)行初始歸類(lèi)，之后去粗取精進(jìn)行合并，最后使得對象之間能夠彼此聯(lián)系，歸于一類(lèi)。值得一提的是，通過(guò)對數據和對象之間的距離進(jìn)行聚類(lèi)，能夠消除數據的噪聲，完成不同形狀的聚類(lèi)，也可以對數據的空間分布進(jìn)行劃分，形成網(wǎng)格單元，對數據分布情況進(jìn)行更直觀(guān)的判斷。

　　3基于機器學(xué)習方法的網(wǎng)絡(luò )異常檢測技術(shù)

　　機器學(xué)習指的是根據人類(lèi)學(xué)習的情況，對機器進(jìn)行研究，使得機器掌握學(xué)習的能力，從而獲取新的知識，并通過(guò)一系列的模擬學(xué)習，讓機器能夠自主解決問(wèn)題。機器學(xué)習是人工智能的最新成果，由環(huán)境、執行和數據庫構成，首先環(huán)境為機器學(xué)習系統提供信息，之后機器學(xué)習系統對這些信息進(jìn)行識別，和數據庫進(jìn)行對比，最后加以執行，網(wǎng)絡(luò )異常檢測技術(shù)應用機器學(xué)習方法主要有兩種情況：監督學(xué)習和無(wú)監督學(xué)習。監督學(xué)習指的是通過(guò)之前的異常情況和數據分析進(jìn)行練習和研究，找到一個(gè)固定的模板，從而對輸入信息進(jìn)行檢測，根據檢測結果進(jìn)行判斷，對異常情況進(jìn)行分類(lèi)。這種方法需要研究人員熟悉網(wǎng)絡(luò )異常的特征，并且能夠準確區分數據，從而使得機器學(xué)習系統能夠檢測出不同類(lèi)型的異常，同時(shí)，如果是新型的異常，系統也能夠檢測出來(lái)。下面介紹一些檢測的方法：第一種，KNN算法，這種算法是比較簡(jiǎn)單的機器學(xué)習方法，并且能夠對異常行為直接進(jìn)行計算，并根據最近的K個(gè)樣本找到相似的類(lèi)型，尤其是在動(dòng)態(tài)網(wǎng)絡(luò )中，應用比較成熟。但是樣本需要均勻分布，如果測量不準確就可能出現一定的誤差，所以也可以結合其他算法同時(shí)使用。第二種，決策樹(shù)法，這種方法和流程圖比較像，每個(gè)節點(diǎn)代表者檢測的屬性，每個(gè)分支則是檢測結果，每片葉子就是異常的類(lèi)型。在檢測過(guò)程中通過(guò)對沒(méi)有標記的數據進(jìn)行分類(lèi)，由上到下測試，之后選擇合理的分支和節點(diǎn)，最后在葉片上判斷類(lèi)型。但是隨著(zhù)網(wǎng)絡(luò )數據的不斷增多，需要對內存資源進(jìn)行優(yōu)化，從而提高系統檢測的精準性。無(wú)監督學(xué)習不需要對異常情況做標記，只需要根據目前的網(wǎng)絡(luò )進(jìn)行建模，這樣極大地減少了工作量，同時(shí)能夠將數據聚集情況進(jìn)行分類(lèi)，之后由研究者進(jìn)行判斷，雖然準確度不如監督學(xué)習的高，但是操作便捷，簡(jiǎn)單易行，它的檢測方法如下：第一種，Apriori方法，這種算法能夠第一時(shí)間檢測到網(wǎng)絡(luò )的異常，并且直接鎖定攻擊來(lái)源，主要是找到滿(mǎn)足設定的頻集，之后根據頻集的相關(guān)規則，對數據進(jìn)行保留處理，之后生成動(dòng)態(tài)的檢測規則，提高系統的穩定性。第二種，EM方法，在對網(wǎng)絡(luò )異常進(jìn)行檢測時(shí)，數據可能會(huì )有缺失或者是處于隱性狀態(tài)，所以需要根據檢測對象的屬性對其權重進(jìn)行分配，找到屬性期望，之后根據似然估計進(jìn)行計算，從而實(shí)現交替循環(huán)。

　　4結論

　　綜上所述，網(wǎng)絡(luò )異常直接影響著(zhù)用戶(hù)的信息安全，所以需要認真做好網(wǎng)絡(luò )異常的檢測工作，通過(guò)創(chuàng )新和應用相關(guān)的檢測技術(shù)，在最快的時(shí)間內找到產(chǎn)生的問(wèn)題的原因，從而加以解決，滿(mǎn)足人們使用網(wǎng)絡(luò )的需求。

　　參考文獻

　　[1]黃煜坤.網(wǎng)絡(luò )安全異常檢測技術(shù)探究[J].電子測試,2015(05):40-42+45.

　　[2]廖國輝,劉嘉勇.基于數據挖掘和機器學(xué)習的惡意代碼檢測方法[J].信息安全研究,2016,2(01):74-79.

【采集青春九年級作文】相關(guān)文章：

關(guān)于青春的作文：踏著(zhù)青春的舞曲-青春作文01-11

青春作文青春隨想01-26

關(guān)于青春的作文：“叛逆”青春01-15

為青春喝彩青春作文04-06

青春的作文03-20

青春的作文03-21

青春作文03-21

青春作文03-17

青春作文03-17

青春作文03-18