面向网络态势预测的时间序列频繁情节挖掘研究

发布时间：2017-09-26 16:03

  本文关键词：面向网络态势预测的时间序列频繁情节挖掘研究

  更多相关文章： 网络安全态势预测 时间序列数据 神经网络 频繁情节 趋势变化

【摘要】：目前,网络安全问题日益严峻,俨然成为非常重要的一个研究课题。面对大规模的网络安全时间序列数据,高效并准确地实现网络安全的态势预测具有非常有意义的研究价值,通过态势的预测结果可以指导网络管理者完成安全决策分析和防御措施的制定。网络安全态势预测是在准确的网络安全态势觉察、充分的网络安全态势理解基础上,进而实现对未来网络安全态势的趋势预测。而要完成对大规模网络的安全态势的预测主要有赖于对海量安全时间序列数据的深入挖掘。现有的网络安全态势预测方法仅能预测出未来单位时间的态势值,然后依据连续单位时间的态势值进行网络安全态势的评估。然而单位时间的态势值往往受扰动的影响比较大,难于预测。本文中,尝试根据历史时间序列数据直接预测未来一段时间里的网络态势趋势的变化规律,而不是再对某个时刻的态势值进行态势分析。即基于趋势变化来分析网络安全时间序列数据的态势预测。为了解决这个问题,本文针对网络安全时间序列数据的态势预测做了如下的工作:(1)首先研究了基于时间序列的神经网络方法,实现对未来一段时间内网络安全态势的趋势变化的预测:依据时间序列数据的结构特点、基于趋势变化的预测方法的理论,对网络安全时间序列数据进行分段,每一段代表一种趋势,生成网络态势预测的样本集;用样本集基于BP神经网络实现网络安全态势的趋势变化预测。实验采用Honeynet数据完成仿真,验证了基于趋势变化的网络安全态势预测这个方法的有效性和适用性。(2)主要研究了面向预测的事件序列频繁情节挖掘方法,实现网络安全时间序列数据趋势变化的预测。首先,基于网络安全事件发生的统计规律性,对安全时间序列数据进行分段预处理,对分段后的时间序列子段离散事件化处理,将网络安全时间序列数据转换为安全事件序列数据。然后,通过引入事件序列的频繁情节的相关知识,实现面向预测的时间序列数据的频繁情节挖掘。基于网络安全态势预测对各事件发生的相对时间的敏感性,通过引入一个限制情节发生长度的变量,实现对现有的频繁情节挖掘算法MANEPI的改进,提取预测所需的频繁情节。最后,利用提取的这些知识预测未来一段时间里的网络安全态势的趋势变化规律。
【关键词】：网络安全态势预测 时间序列数据 神经网络 频繁情节 趋势变化
【学位授予单位】：天津理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP311.13;TP393.08
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-18
• 1.1 课题研究背景及意义10-11
• 1.1.1 课题研究背景10-11
• 1.1.2 课题研究意义11
• 1.2 数据挖掘技术及相关知识11-14
• 1.2.1 数据挖掘的定义11-12
• 1.2.2 数据挖掘的过程12-13
• 1.2.3 数据挖掘的方法13-14
• 1.3 网络安全态势感知相关知识14-16
• 1.3.1 网络安全态势感知的概念14
• 1.3.2 网络安全态势感知技术的研究现状14-15
• 1.3.3 网络安全态势预测模型15-16
• 1.4 本文的主要工作16
• 1.5 本文组织结构16-17
• 1.6 本章小结17-18
• 第二章 时间序列数据挖掘相关技术概述18-25
• 2.1 时间序列数据挖掘的概述18-21
• 2.1.1 时间序列数据挖掘的概念18
• 2.1.2 时间序列数据挖掘的内容18-20
• 2.1.3 时间序列数据挖掘的研究现状20-21
• 2.2 频繁情节挖掘概述21-24
• 2.2.1 频繁情节的基本概念21-22
• 2.2.2 频繁情节挖掘的研究现状22-23
• 2.2.3 频繁情节挖掘算法分析23-24
• 2.2.4 面向预测的频繁情节挖掘研究现状24
• 2.3 本章小结24-25
• 第三章 基于神经网络的网络安全态势预测25-30
• 3.1 神经网络概述25-26
• 3.1.1 神经网络相关概念25
• 3.1.2 基于神经网络的态势预测的研究现状25-26
• 3.2 数据预处理：分段曲线拟合26-27
• 3.3 BP神经网络预测27
• 3.4 实验仿真27-29
• 3.4.1 实验数据27-28
• 3.4.2 实验结果与分析28-29
• 3.5 本章小结29-30
• 第四章 基于频繁情节挖掘的网络态势预测30-40
• 4.1 基于频繁情节的网络态势预测过程分析30-31
• 4.2 时间序列数据的数据预处理分析31-33
• 4.2.1 时间序列的分段表示法31
• 4.2.2 时间序列的符号表示法31-32
• 4.2.3 基于趋势预测的时间序列数据分段离散事件化32-33
• 4.3 面向预测的时间序列数据频繁情节挖掘算法分析33-35
• 4.3.1 MANEPI算法33-34
• 4.3.2 MANEPI算法改进34-35
• 4.4 基于频繁情节的时间序列数据趋势预测35-36
• 4.5 实验仿真36-39
• 4.5.1 数据分析36
• 4.5.2 实验分析36-38
• 4.5.3 实验优化38
• 4.5.4 实验结果与分析38-39
• 4.6 本章小结39-40
• 第五章 总结与展望40-42
• 5.1 本文总结40
• 5.2 未来工作展望40-42
• 参考文献42-47
• 发表论文和科研情况说明47-48
• 致谢48-49

【参考文献】

中国期刊全文数据库 前10条

1 陈娜;;数据挖掘技术的研究现状及发展方向[J];电脑与信息技术;2006年01期

2 曹茸;;股票时间序列数据的分段符号化表示及实现[J];电脑知识与技术;2009年18期

3 金昕,金靖华;数据挖掘技术及应用[J];甘肃科技;2003年01期

4 穆成坡;黄厚宽;田盛丰;;入侵检测系统报警信息聚合与关联技术研究综述[J];计算机研究与发展;2006年01期

5 任伟;蒋兴浩;孙锬锋;;基于RBF神经网络的网络安全态势预测方法[J];计算机工程与应用;2006年31期

6 廖俊;于雷;罗寰;穆中林;;基于趋势转折点的时间序列分段线性表示[J];计算机工程与应用;2010年30期

7 唐成华;余顺争;;一种基于似然BP的网络安全态势预测方法[J];计算机科学;2009年11期

8 孟锦;马驰;何加浪;张宏;;基于HHGA-RBF神经网络的网络安全态势预测模型[J];计算机科学;2011年07期

9 于枫,马晓春,高翔;频繁情节挖掘方法在入侵检测中的应用[J];计算机应用研究;2005年07期

10 贾澎涛;何华灿;刘丽;孙涛;;时间序列数据挖掘综述[J];计算机应用研究;2007年11期

中国博士学位论文全文数据库 前6条

1 王娟;大规模网络安全态势感知关键技术研究[D];电子科技大学;2010年

2 程文聪;面向大规模网络安全态势分析的时序数据挖掘关键技术研究[D];国防科学技术大学;2010年

3 朱辉生;基于情节规则匹配的数据流预测研究[D];复旦大学;2011年

4 董晓莉;时间序列数据挖掘相似性度量和周期模式挖掘研究[D];天津大学;2007年

5 周勇;时间序列时序关联规则挖掘研究[D];西南财经大学;2008年

6 葛利;基于过程神经网络的时序数据挖掘研究[D];哈尔滨工程大学;2012年

中国硕士学位论文全文数据库 前7条

1 陈然;基于相似性分析的时间序列异常检测研究[D];西南交通大学;2011年

2 吴志华;基于知识发现的时序数据挖掘算法研究[D];华北工学院;2002年

3 邹东升;数据挖掘在电信告警中的应用研究[D];重庆大学;2002年

4 王巍巍;事件序列上频繁情节发现的研究[D];吉林大学;2005年

5 王鑫;数据挖掘中聚类分析算法的研究[D];山东师范大学;2006年

6 潘兆亮;网络安全态势系统关键技术分析与建模[D];上海交通大学;2008年

7 骆德文;网络安全态势感知与趋势分析系统的研究与实现[D];电子科技大学;2008年

，

本文编号：924405