楊軍

摘要： 文章首先簡要闡述了網(wǎng)絡(luò)流量異常檢測的重要意義，在此基礎(chǔ)上對計算機(jī)網(wǎng)絡(luò)環(huán)境下網(wǎng)絡(luò)流量異常的檢測算法進(jìn)行論述。期望通過本文的研究能夠?qū)W(wǎng)絡(luò)運行穩(wěn)定性的提升有所幫助。

【關(guān)鍵詞】計算機(jī)網(wǎng)絡(luò) 網(wǎng)絡(luò)流量 異常檢測算法

1 網(wǎng)絡(luò)流量異常檢測的重要意義

對于計算機(jī)網(wǎng)絡(luò)而言，網(wǎng)絡(luò)流量是對整個網(wǎng)絡(luò)運行狀態(tài)進(jìn)行研究的重要前提和基礎(chǔ)，在網(wǎng)絡(luò)當(dāng)中，物理層的數(shù)據(jù)單位是比特，而數(shù)據(jù)鏈路層的單位是幀，由于數(shù)據(jù)單位本身的特殊性，使得無法對網(wǎng)絡(luò)異常進(jìn)行直觀分析。同時，網(wǎng)絡(luò)層是以數(shù)據(jù)包作為單位，在它的流量特性分析的基礎(chǔ)上，可對網(wǎng)絡(luò)應(yīng)用及行為進(jìn)行檢測。在網(wǎng)絡(luò)結(jié)構(gòu)中，可將網(wǎng)絡(luò)流量數(shù)據(jù)用圖1表示。

大體上可將網(wǎng)絡(luò)數(shù)據(jù)異常檢測的意義歸納為以下幾個方面：

1.1 反映網(wǎng)絡(luò)性能

對網(wǎng)絡(luò)流量進(jìn)行檢測是性能評估的關(guān)鍵部分，主要包括網(wǎng)絡(luò)中的關(guān)鍵設(shè)備、網(wǎng)絡(luò)鏈路以及服務(wù)器等方面的性能評估，由此可獲得相關(guān)業(yè)務(wù)的帶寬占用情況，為設(shè)備性能瓶頸的確定提供依據(jù)。當(dāng)網(wǎng)絡(luò)流量超出網(wǎng)絡(luò)的實際承載能力時，會使網(wǎng)絡(luò)的性能隨之下降，從而無法高效完成數(shù)據(jù)的傳輸與處理，為使網(wǎng)絡(luò)的性能得到進(jìn)一步改善，可通過檢測流量特性，并從其中對相關(guān)的參數(shù)進(jìn)行提取，借此來找出影響網(wǎng)絡(luò)性能的因素，對網(wǎng)絡(luò)流量進(jìn)行控制，保證網(wǎng)絡(luò)性能始終處于最優(yōu)狀態(tài)。

1.2 為網(wǎng)絡(luò)故障診斷提供依據(jù)

在計算機(jī)網(wǎng)絡(luò)環(huán)境中，如果數(shù)據(jù)流量正常，則表明網(wǎng)絡(luò)的運行穩(wěn)定，而當(dāng)網(wǎng)絡(luò)出現(xiàn)故障時，流量的特征數(shù)據(jù)會出現(xiàn)異常，基于這一前提，使得數(shù)據(jù)流量成為判斷網(wǎng)絡(luò)異常及故障檢測的重要依據(jù)。網(wǎng)絡(luò)中某個設(shè)備出現(xiàn)故障或是配置錯誤，均會使網(wǎng)絡(luò)性能受到一定程度的影響，嚴(yán)重時可能會對整個網(wǎng)絡(luò)造成致命的破壞，運維管理人員通過對網(wǎng)絡(luò)流量數(shù)據(jù)的檢測分析，可以及時發(fā)現(xiàn)問題的根源之所在，為故障解決與處理提供可靠的依據(jù)。同時網(wǎng)絡(luò)流量異常檢測算法，能夠提供流量特征，并對這些特征進(jìn)行組合，還能對不同的網(wǎng)絡(luò)攻擊進(jìn)行檢測。

1.3 全面分析應(yīng)用

現(xiàn)如今，在計算機(jī)網(wǎng)絡(luò)技術(shù)快速發(fā)展的推動下，網(wǎng)絡(luò)的規(guī)模進(jìn)一步擴(kuò)大，其中承載的業(yè)務(wù)也隨之具有了復(fù)雜性和多樣性的特點，與此同時，各種網(wǎng)絡(luò)應(yīng)用大量出現(xiàn)并隨著網(wǎng)絡(luò)發(fā)展不斷更新和升級。網(wǎng)絡(luò)帶寬瓶頸、峰值流量以及預(yù)測流量變化趨勢，是網(wǎng)絡(luò)應(yīng)用設(shè)計與運維人員所面臨的主要問題。對網(wǎng)絡(luò)流量進(jìn)行檢測分析，能夠使上述問題得到解決，并對網(wǎng)絡(luò)應(yīng)用層的變化情況進(jìn)行確定，由此可準(zhǔn)確掌握應(yīng)用的相關(guān)指標(biāo)。

1.4 為網(wǎng)絡(luò)協(xié)議的優(yōu)化改進(jìn)提供依據(jù)

在網(wǎng)絡(luò)分層結(jié)構(gòu)體系當(dāng)中，各層之間的數(shù)據(jù)傳輸，需要借助相關(guān)的通信協(xié)議來實現(xiàn)，網(wǎng)絡(luò)協(xié)議會隨著業(yè)務(wù)需求不斷更新，它的標(biāo)準(zhǔn)則是數(shù)據(jù)傳輸?shù)谋Ｕ稀，F(xiàn)如今，隨著帶寬的逐步增加和應(yīng)用層中新業(yè)務(wù)的大量出現(xiàn)，對網(wǎng)絡(luò)通信協(xié)議設(shè)計提出越來越高的要求，通過網(wǎng)絡(luò)流量進(jìn)行檢測分析，可將檢測到的數(shù)據(jù)作為模型設(shè)計的輸入?yún)?shù)，由此可為網(wǎng)絡(luò)協(xié)議的優(yōu)化提供依據(jù)。

2 計算機(jī)網(wǎng)絡(luò)環(huán)境下網(wǎng)絡(luò)流量異常的檢測算法

2.1 網(wǎng)絡(luò)異常流量分析

對網(wǎng)絡(luò)異常進(jìn)行檢測的基本標(biāo)準(zhǔn)是通過對實際流量與正常流量的比較，看是否存在偏差，如果有，則對異常的流量數(shù)據(jù)進(jìn)行確定，由于這種數(shù)據(jù)具有相應(yīng)的屬性特征，所以可將具體的特征作為異常的判斷依據(jù)。在計算機(jī)網(wǎng)絡(luò)環(huán)境中，最難檢測的異常情況為惡意攻擊所產(chǎn)生的流量異常，通過對異常的分析，選擇適宜的數(shù)據(jù)屬性特征便可進(jìn)行檢測。DDOS是計算機(jī)網(wǎng)絡(luò)中最為常見的一種攻擊，它以DOS為基礎(chǔ)，原本的DOS攻擊是一對一的方式，而DDOS則是分布式的攻擊，通過對被控制計算機(jī)的遠(yuǎn)程操控，可使海量攻擊數(shù)據(jù)入侵目標(biāo)主機(jī)，進(jìn)而使主機(jī)的系統(tǒng)崩潰，并使網(wǎng)絡(luò)瞬時擁塞，由此將會導(dǎo)致網(wǎng)絡(luò)癱瘓。

2.1.1 DDOS攻擊

在DDOS攻擊發(fā)生時，會隨之出現(xiàn)一些共同的特征，具體如下：網(wǎng)絡(luò)總會有大量指向被攻擊主機(jī)的數(shù)據(jù)包；無用數(shù)據(jù)包在網(wǎng)絡(luò)中的大量分布會造成網(wǎng)絡(luò)擁塞；如果攻擊者采用的是偽造IP技術(shù)進(jìn)行攻擊，則會在短時間內(nèi)，使網(wǎng)絡(luò)中出現(xiàn)虛假的源IP地址，而以真實IP發(fā)動攻擊，會使網(wǎng)絡(luò)中出現(xiàn)分散的IP地址。通常情況下，DDOS只針對目標(biāo)主機(jī)進(jìn)行集中攻擊，由此使得流量數(shù)據(jù)中IP數(shù)量相對較少，并且比較集中，被攻擊的網(wǎng)絡(luò)因偽造IP技術(shù)的運用，使得流量數(shù)據(jù)呈現(xiàn)出分布、分散、數(shù)量大等特征。

2.1.2 蠕蟲病毒

此類病毒與常規(guī)的計算機(jī)病毒有著非常明顯的差別，這種差別具體體現(xiàn)在對網(wǎng)絡(luò)的攻擊過程上，具體如圖2所示。

這種病毒可自行運行，通過軟件系統(tǒng)中存在的缺陷和漏洞，獲取對相應(yīng)系統(tǒng)的控制權(quán)，并在計算機(jī)網(wǎng)絡(luò)中進(jìn)行傳播，由于該病毒本身具有很強(qiáng)的繁殖性，從而使網(wǎng)絡(luò)及系統(tǒng)資源產(chǎn)生巨大的消耗。由蠕蟲病毒的攻擊流程可知，它是從一個IP向網(wǎng)絡(luò)中多個IP的某個端口發(fā)起連接請求，隨即對蠕蟲病毒進(jìn)行迅速傳播，從而引起網(wǎng)絡(luò)瞬時擁塞，嚴(yán)重時會造成網(wǎng)絡(luò)癱瘓。一旦蠕蟲病毒發(fā)生，源主機(jī)會對數(shù)量更多的目標(biāo)機(jī)進(jìn)行感染，在這一過程中，會產(chǎn)生出數(shù)量較多的數(shù)據(jù)包，它們之間的源IP地址相同，但目的IP卻較為分散。如果計算機(jī)網(wǎng)絡(luò)中出現(xiàn)蠕蟲病毒，那么流量數(shù)據(jù)會表現(xiàn)出如下特征源IP地址少但較為集中，目的IP地址多，但較為分散。

2.2 TCM-KNN算法

直推信度機(jī)簡稱TCM，這是一種具體較強(qiáng)適應(yīng)性的機(jī)器學(xué)習(xí)機(jī)制，它以隨機(jī)性的思想理論為依托，能夠?qū)Χ鄠€類別的可信程度進(jìn)行衡量。但由于隨機(jī)性無法進(jìn)行準(zhǔn)確計算，所以需要建立一個能夠計算，并且還符合隨機(jī)性原理的檢測函數(shù)，對置信度進(jìn)行評估。KNN是一種較為典型的分類算法，也被稱之為K-鄰近算法，它在對分類進(jìn)行建立的過程中，無需假定分布結(jié)構(gòu)，因該算法的計算過程較為簡單，加之易于實現(xiàn)，從而使其周期網(wǎng)絡(luò)異常流量檢測中得到廣泛應(yīng)用。但在實際應(yīng)用中發(fā)現(xiàn)，如果樣本處于不平衡的條件時，則可能會使待分類的樣本被分到不是目標(biāo)類的大樣本當(dāng)中，由此會對檢測結(jié)果的準(zhǔn)確性造成影響。本文所提出的TCM-KNN算法是上述兩種算法的融合，可也將其稱之為結(jié)合算法。下而重點對該算法在網(wǎng)絡(luò)流量異常檢測中的應(yīng)用進(jìn)行分析。

在應(yīng)用TCM-KNN算法對網(wǎng)絡(luò)流量異常進(jìn)行檢測的過程中，需要構(gòu)建起一個正常的行為模型，據(jù)此對待檢測的流量數(shù)據(jù)進(jìn)行判定，看是否正常。對于正常類別y而言，待檢測流量數(shù)據(jù)樣本i的對應(yīng)奇異值α_iy可用下式表示：

通過式（1）的計算方法進(jìn)行計算后，異常流量樣本的奇異值要大于正常樣本奇異值，這樣便于區(qū)分正常與異常流量數(shù)據(jù)。在TCM-KNN算法中，需要對待測樣本與簇的中心距進(jìn)行計算，選取距離最短的簇作為正常訓(xùn)練集。通常情況下，距離越短，表明待測樣本與簇內(nèi)樣本的相似程度越高，經(jīng)過計算，可以得到待測及正常樣本的奇異值，若是P值比預(yù)先設(shè)定好的閩值小，說明置信度較高，可用1-τ作為異常流量數(shù)據(jù)判定的關(guān)鍵性指標(biāo)。

2.3 算法實驗

為對本文所提出的TCM-KNN算法的可行性及有效性等方而進(jìn)行驗證，先對網(wǎng)絡(luò)中的正常數(shù)據(jù)進(jìn)行聚類，同時為使實驗過程變得更加簡單和方便，選取DARPA數(shù)據(jù)集進(jìn)行試驗驗證。具體的實驗方法如下：選取第一周的正常數(shù)據(jù)作為正常數(shù)據(jù)的訓(xùn)練集，同時選取第二周的數(shù)據(jù)作為待檢測數(shù)據(jù)，第二周的數(shù)據(jù)集當(dāng)中，存在多種不同類型的攻擊實例，因此，可用于對TCM-KNN算法的驗證。檢測率與誤報率是目前國際上通用的兩個評價指標(biāo)。實驗步驟如下：

采用隨機(jī)抽取的方式，從第一周的數(shù)據(jù)中對正常數(shù)據(jù)進(jìn)行選取，然后從第二周的數(shù)據(jù)中，對待測數(shù)據(jù)進(jìn)行選取，再從第三周數(shù)據(jù)中，選取正常數(shù)據(jù)來完成異常流量檢測。在對TCM-KNN算法進(jìn)行應(yīng)用的過程中，需要對置信度閩值進(jìn)行設(shè)定，結(jié)合前人的研究成果，該值設(shè)定為0.05。在對本文提出的TCM-KNN算法進(jìn)行驗證的過程中，為更加直觀地反映出該算法在網(wǎng)絡(luò)流量異常檢測方而的準(zhǔn)確程度，本次實驗通過數(shù)據(jù)對比的方法進(jìn)行具體驗證（限于篇幅，數(shù)據(jù)選取及計算過程省略）。在算法的驗證中，k值的選取是關(guān)鍵性環(huán)節(jié)，既不可過小，也不宜過大，以免對算法的準(zhǔn)確性造成影響。需要注意的是，隨著k值的增大，檢測時問會隨之延長，因此，在對該算法進(jìn)行實際應(yīng)用時，要對以下因素進(jìn)行綜合考慮：準(zhǔn)確率、有效性以及耗時等。經(jīng)過驗證，建議在應(yīng)用TCM-KNN算法對網(wǎng)絡(luò)流量異常進(jìn)行檢測時，k值可以選擇8，由此能夠獲得理想的檢測結(jié)果。由此可見，本文所提出的TCM-KNN算法在網(wǎng)絡(luò)流量異常檢測中具有良好的適用性，只要k值選擇的合理，便可以確保檢測結(jié)果的準(zhǔn)確率。

3 結(jié)論

綜上所述，在計算機(jī)網(wǎng)絡(luò)環(huán)境當(dāng)中，為確保網(wǎng)絡(luò)運行的穩(wěn)定性，就必須保證網(wǎng)絡(luò)流量始終處于正常狀態(tài)，然而受到DDOS及蠕蟲病毒的攻擊，會造成網(wǎng)絡(luò)流量異常，對此，本文提出一中檢測算法，即TCM-KNN算法，經(jīng)過該算法在網(wǎng)絡(luò)流量異常檢測中具有良好的適用性，當(dāng)k值選擇合理時，能確保檢測結(jié)果的準(zhǔn)確率。

參考文獻(xiàn)

[1]呂軍暉，于龍洋，張瑾.Ntada： -種網(wǎng)絡(luò)流量異常檢測算法[J].經(jīng)濟(jì)與管理戰(zhàn)略研究，2012（ 01）：128-146

[2]朱俚治，朱梧 木檀.一種檢測網(wǎng)絡(luò)流量異常和網(wǎng)絡(luò)攻擊的算法[J].計算技術(shù)與自動化，2017，36 （01）：92-97.

[3]葉坤，網(wǎng)絡(luò)流量異常檢測方法的研究與改進(jìn)[J].南京工業(yè)大學(xué)，201 5.

[4]朱俚治，粗糙集與MMTD算法的網(wǎng)絡(luò)流量異常研究[J].計算機(jī)與數(shù)字工程，2 17（ 01）：110-114.

[5]呂軍，李星，一種網(wǎng)絡(luò)流量異常檢測算法[J].計算機(jī)應(yīng)用研究，2006，23（11）：217-219.

[6]米捷，王佳欣，多層次數(shù)據(jù)中心網(wǎng)絡(luò)流量異常檢測算法[J].河南工程學(xué)院學(xué)報（自然科學(xué)版），2 01 7，29 （01）： 62-66.

[7]曾建華.一種基于核PCA的網(wǎng)絡(luò)流量異常檢測算法[J].計算機(jī)應(yīng)用與軟件，2018 （03）：140-144.

[8]付強(qiáng)，甘亮，李愛平，吳泉源.一種基于主成分分析算法的網(wǎng)絡(luò)異常檢測實現(xiàn)[J].南京師范大學(xué)學(xué)報（工程技術(shù)版）.2008，8 （04）：13-16，

[9]侯重遠(yuǎn)，江漢紅，芮萬智，劉亮.工業(yè)網(wǎng)絡(luò)流量異常檢測的概率主成分分析法[J]，西安交通大學(xué)學(xué)報，2012，46 （02）： 70-75.