基于熵权聚类网络异常行为的检测方法研究.docx

基于熵权聚类网络异常行为的检测方法研究
基于熵权聚类网络异常行为的检测方法研究
摘要：
随着互联网的快速发展，网络安全问题日益突出。网络攻击和异常行为的威胁给个人、组织和国家的网络安全带来了极大的挑战。因此，研究网络异常行为的检测方法具有重要的实际意义。本文提出了一种基于熵权聚类的网络异常行为检测方法，通过对网络流量数据进行分析和处理，提取重要特征，并利用熵权聚类算法进行异常行为的检测与分类。实验结果表明，该方法在网络异常行为检测方面具有良好的性能和准确度。
关键词：互联网，网络异常行为，熵权聚类，特征提取
1.引言
随着互联网的广泛应用，网络安全问题成为当今社会面临的一大挑战。网络攻击和异常行为以其高度的危害性和隐蔽性而备受关注。网络异常行为包括入侵、欺诈、恶意代码传播等，给个人、组织和国家的网络安全带来了极大的威胁。因此，研究网络异常行为的检测方法对于保障网络安全具有重要的实际意义。
2.相关工作
目前，已有许多方法用于网络异常行为的检测，包括基于统计的方法、基于机器学习的方法等。但这些方法存在着一定的局限性，如特征提取的效果不够好，检测精度不高等。因此，开发一种新的网络异常行为检测方法具有重要的研究意义。
3.熵权聚类方法
熵权聚类是一种综合利用熵和聚类算法的方法。在该方法中，熵被用作权重来计算样本之间的距离，从而影响聚类结果。熵权聚类方法能够充分利用样本的不确定性信息，提高了聚类的准确性和稳定性。
4.网络异常行为检测方法
本文提出的网络异常行为检测方法主要包括以下几个步骤：
4.1数据预处理
首先，对网络流量数据进行预处理，包括数据清洗、数据采样等。通过数据预处理，可以得到规范化的网络数据以供后续分析。
4.2特征提取
在数据预处理完成后，对网络数据进行特征提取。本文选取了一些常用的网络特征，如数据包长度、流量大小等，并利用相关算法进行特征提取。通过特征提取，可以将网络数据转化为可用于聚类的数据集。
4.3异常行为检测与分类
在特征提取完成后，采用熵权聚类算法对网络数据进行异常行为的检测与分类。该算法能够综合利用样本的不确定性信息，提高聚类的准确性。通过对网络数据进行聚类，可以将正常行为和异常行为进行有效的区分。
5.实验结果与分析
为验证所提出方法的有效性，本文设计了一系列实验，并从多个方面进行了评估和分析。实验结果表明，该方法在网络异常行为检测方面具有良好的性能和准确度。
6.结论
本文提出了一种基于熵权聚类的网络异常行为检测方法，通过对网络流量数据进行分析和处理，提取重要特征，并利用熵权聚类算法进行异常行为的检测与分类。实验结果表明，该方法在网络异常行为检测方面具有良好的性能和准确度。未来的工作可以进一步改进算法，提高检测效果，并进一步探索其他有效的特征提取方法。
参考文献：
[1]Li,T.,Zhu,M.,Ji,D.,etal.(2017).Asurveyonanomalydetectionofnetworktrafficbasedonmachinelearningtechniques.InternationalJournalofAutomationandComputing,14(6),652-676.
[2]Liao,A.H.,&Lin,S.M.(2015).Combiningclusterensembleandsupportvectormachinefornetworkanomalydetection.ExpertSystemswithApplications,42(5),2467-2476.
[3]Xu,Q.,&Li,Y.(2019).DetectionofNetworkAnomaliesbyStackingEnsembleMachineLearningMethods.WirelessCommunicationsandMobileComputing,2019,4364019.
[4]Pellegrino,G.,Longo,A.,Giordano,S.&Stamp,M.(2017).Acomparisonofdistance-basedanomalydetectiontechniquesforidentifyingattackingbehavioursinordertoreducenetworksecurityalerts.ComputerNetworks,121,17-37.