云虚拟机异常检测场景下改进的LOF算法

doi:10.3778/j.issn.1002-8331.2001-0162

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (23): 80-86.DOI: 10.3778/j.issn.1002-8331.2001-0162

云虚拟机异常检测场景下改进的LOF算法

贺寰烨，林果园，顾浩，方梦华

1.中国矿业大学计算机科学与技术学院，江苏徐州 221116
2.矿山数字化教务部工程研究中心，江苏徐州 221116
3.南京大学计算机软件新技术国家重点实验室，南京 210023

出版日期:2020-12-01 发布日期:2020-11-30

Improved LOF Algorithm in Cloud Virtual Machine Anomaly Detection Scenario

HE Huanye, LIN Guoyuan, GU Hao, FANG Menghua

1.School of Computer Science and Technology, China University of Mining and Technology, Xuzhou, Jiangsu 221116, China
2.Mine Digitization Engineering Research Center of the Ministry of Education, Xuzhou, Jiangsu 221116, China
3.State Key Laboratory for Novel Software Technology, Nanjing University, Nanjing 210023, China

Online:2020-12-01 Published:2020-11-30

摘要/Abstract

摘要：

针对云服务中由于资源超额预定造成负载不均衡的云虚拟机异常，提出了一种基于密度空间的局部离群因子（Local Outlier Factor Based on Density Space，LOFBDS）算法。LOFBDS算法参考DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法，将云虚拟机在密度空间中的性质融合至LOF算法之中，提出对云虚拟机的判断规则，以达到优化对正常云虚拟机的检测过程，提高检测效率。实验结果表明，所提出的算法对云服务负载不均造成的云虚拟机异常有着良好的检测效率，并且时间花费较少。

关键词: 云服务, 云虚拟机, 异常检测, 局部离群点检测

Abstract:

In this paper, a LOFBDS（Local Outlier Factor Based on Density Space） algorithm is proposed to detect the cloud virtual machine anomaly with unbalanced load caused by resource overbooking in cloud services. The LOFBDS algorithm refers to the DBSCAN（Density Based Spatial Clustering of Applications with Noise） algorithm. It integrates the properties of cloud virtual machines in the density space into the LOF algorithm, and proposes judgment rules for cloud virtual machines to optimize the normal cloud virtual machine to improve detection efficiency. Experimental results show that the algorithm proposed in this paper has a good detection efficiency and less time cost for cloud virtual machine exceptions caused by uneven cloud service load.

Key words: cloud service, cloud virtual machine, anomaly detection, local outlier detection

贺寰烨，林果园，顾浩，方梦华. 云虚拟机异常检测场景下改进的LOF算法[J]. 计算机工程与应用, 2020, 56(23): 80-86.

HE Huanye, LIN Guoyuan, GU Hao, FANG Menghua. Improved LOF Algorithm in Cloud Virtual Machine Anomaly Detection Scenario[J]. Computer Engineering and Applications, 2020, 56(23): 80-86.

[1]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[2]	麻琛彬，张政波，王晶. 基于深度学习的生理异常检测研究综述[J]. 计算机工程与应用, 2021, 57(10): 10-25.
[3]	刘杰，房俊，雷峰津. 电能质量异常数据在线检测方法[J]. 计算机工程与应用, 2020, 56(9): 240-247.
[4]	吴楚田，陈永乐，陈俊杰. 多协议交叉的HMM协议异常检测算法[J]. 计算机工程与应用, 2020, 56(8): 81-86.
[5]	黎佳玥，赵波，李想，刘会，刘一凡，邹建文. 基于深度学习的网络流量异常预测方法[J]. 计算机工程与应用, 2020, 56(6): 39-50.
[6]	展鹏，陈琳，曹鲁慧，许浩然，李学庆. 核转折点裁剪表示的时间序列异常检测算法[J]. 计算机工程与应用, 2020, 56(23): 130-138.
[7]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[8]	张常华，周雄图，张永爱，姚剑敏，郭太良，严群. 深度自编码器在数据异常检测中的应用研究[J]. 计算机工程与应用, 2020, 56(17): 93-99.
[9]	熊逸，梁意文，谭成予，周雯. 基于反向选择的地震前兆观测数据异常检测[J]. 计算机工程与应用, 2020, 56(10): 226-230.
[10]	崔芳怡1，荆晓远2，董西伟2，3，吴飞2，孙莹2. 自适应蝙蝠算法优化的模糊聚类及其应用[J]. 计算机工程与应用, 2019, 55(7): 16-22.
[11]	杨飞跃，陶洋. 时空协作的WSNs节点异常检测算法[J]. 计算机工程与应用, 2019, 55(7): 127-131.
[12]	王凯，陈丹伟. 基于LSTM的动态图模型异常检测算法研究[J]. 计算机工程与应用, 2019, 55(5): 76-82.
[13]	贺亮1，王永程1，李赟1，褚衍杰1，沈超2. 基于Lindeberg-Feller定理的网络异常检测算法[J]. 计算机工程与应用, 2019, 55(4): 41-47.
[14]	吴镜锋，金炜东，唐鹏. 结合SVDD和CNN的接触网支柱号牌图像异常检测[J]. 计算机工程与应用, 2019, 55(10): 193-198.
[15]	王铁旦，赵洋，彭定洪. 改进IVHF-TODIM在云服务安全评估中的应用研究[J]. 计算机工程与应用, 2018, 54(4): 84-89.

云虚拟机异常检测场景下改进的LOF算法

Improved LOF Algorithm in Cloud Virtual Machine Anomaly Detection Scenario

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics