基于NetFlow时间序列的网络异常检测

doi:10.3778/j.issn.1002-8331.2008.24.038

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (24): 128-131.DOI: 10.3778/j.issn.1002-8331.2008.24.038

基于NetFlow时间序列的网络异常检测

贾冠昕¹,杨波²,陈贞翔²,彭立志²

1.济南大学图书馆，济南 250022
2.济南大学信息科学与工程学院网络中心，济南 250022

收稿日期:2007-10-31 修回日期:2008-01-21 出版日期:2008-08-21 发布日期:2008-08-21
通讯作者: 贾冠昕

Detecting network anomalies based on NetFlow time series

JIA Guan-xin¹,YANG Bo²,CHEN Zhen-xiang²,PENG Li-zhi²

1.Library，University of Jinan，Jinan 250022，China
2.School of Information Science and Engineering，University of Jinan，Jinan 250022，China

Received:2007-10-31 Revised:2008-01-21 Online:2008-08-21 Published:2008-08-21
Contact: JIA Guan-xin

摘要/Abstract

摘要： 网络流量在正常运行的情况下是具有一定的周期性、稳定性的，异常流量会打破这种规律使流量产生异常波动。提出了一种基于NetFlow时间序列滑动窗口检测网络异常的方法，利用时间序列异常发现算法发现网络流量的异常波动从而实现了实时高效的异常流量发现及预警。已经被检测到的网络异常会持续产生预警信息并影响后续的异常检测，为此还提出了两种平抑异常的方法。实验结果表明该方法能够有效地发现网络异常。

关键词: NetFlow, 时间序列, 网络异常

Abstract: Network traffic shows periodicity and stability when network works normally，but network anomaly would break this rule.This paper presents a novel method which can find out network anomalies based on NetFlow time series sliding window.Using the time-series-based anomaly finding theory，the method realizes real-time finding network anomalies and making announcement of anomalies.To prevent an anomaly from persistent announcement and disturbing following detection，this paper also presents two ways to ignore announced anomalies.The results show that the method differentiates anomalies efficiently.

Key words: NetFlow, time series, network anomaly

贾冠昕¹,杨波²,陈贞翔²,彭立志². 基于NetFlow时间序列的网络异常检测[J]. 计算机工程与应用, 2008, 44(24): 128-131.

JIA Guan-xin¹,YANG Bo²,CHEN Zhen-xiang²,PENG Li-zhi². Detecting network anomalies based on NetFlow time series[J]. Computer Engineering and Applications, 2008, 44(24): 128-131.

[1]	逯曼皎，张伟，徐涛. 基于动态矩阵模型的可优化的补货策略[J]. 计算机工程与应用, 2021, 57(7): 263-268.
[2]	姚洪刚，沐年国. EMD-LSTM模型对金融时间序列的预测[J]. 计算机工程与应用, 2021, 57(5): 239-244.
[3]	丁智慧，乔钢柱，程谭，宿荣. 基于LSH的shapelets转换方法[J]. 计算机工程与应用, 2021, 57(3): 112-119.
[4]	吴明慧，侯凌燕，王超. 面向预测的长短时神经网络记忆增强机制[J]. 计算机工程与应用, 2021, 57(21): 109-115.
[5]	曹文超，干宏程. 基于WiFi数据的地铁车站客流预警模型[J]. 计算机工程与应用, 2021, 57(13): 233-238.
[6]	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.
[7]	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.
[8]	王见，毛黎明，尹爱军. 结合形状特征及其上下文的多维DTW[J]. 计算机工程与应用, 2020, 56(22): 42-47.
[9]	谭章禄，王兆刚，胡翰. 时间序列趋势相似性度量方法研究[J]. 计算机工程与应用, 2020, 56(10): 94-99.
[10]	桑海峰，田秋洋. 面向人机交互的快速人体动作识别系统[J]. 计算机工程与应用, 2019, 55(6): 101-107.
[11]	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.
[12]	邓烜堃1，2，万良1，2，丁红卫1，2，辛壮1，2. 基于深度学习的交通流量预测研究[J]. 计算机工程与应用, 2019, 55(2): 228-235.
[13]	李梅1，2，宁德军1，郭佳程1，2. 基于注意力机制的CNN-LSTM模型及其应用[J]. 计算机工程与应用, 2019, 55(13): 20-27.
[14]	刘恒，侯越. 贝叶斯神经网络在股票时间序列预测中的应用[J]. 计算机工程与应用, 2019, 55(12): 225-229.
[15]	李少伟1，王胜正2. 基于递归卷积神经网络的移动机器人定位算法[J]. 计算机工程与应用, 2019, 55(10): 240-243.

基于NetFlow时间序列的网络异常检测

Detecting network anomalies based on NetFlow time series

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