基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
采用子空间方法和主成分分析(PCA,Principal Components Analysis)对大规模网络流量异常检测进行研究,并以校园网为实验环境,应用子空间方法和PCA实现了网络流量异常检测.通过实验结果与小波分析结果的对比,证明了基于子空间方法的大规模网络流量异常检测是一种既简单又高效的方法.
推荐文章
基于快速SVM的大规模网络流量分类方法
支持向量机
大规模流量分类
比特压缩
权重SVM
分类器
分类准确率
基于层叠模型的网络流量异常检测方法
异常检测
层叠模型
小波变换模极大
基于深度学习的网络流量异常检测方法
网络安全
流量异常
流量检测
深度学习
基于时间序列分析的网络流量异常检测
网络系统
流量异常检测
灰色模型
小波分析
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于子空间方法的大规模网络流量异常检测
来源期刊 计算机工程与应用 学科 工学
关键词 子空间方法 主成分分析 大规模网络流量 异常检测
年,卷(期) 2007,(11) 所属期刊栏目 网络、通信与安全
研究方向 页码范围 153-156
页数 4页 分类号 TP393
字数 2904字 语种 中文
DOI 10.3321/j.issn:1002-8331.2007.11.049
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 李强 国防科学技术大学计算机学院 22 142 8.0 11.0
2 王海龙 国防科学技术大学计算机学院 5 81 4.0 5.0
3 杨岳湘 国防科学技术大学计算机学院 22 200 8.0 13.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (3)
共引文献  (8)
参考文献  (2)
节点文献
引证文献  (7)
同被引文献  (5)
二级引证文献  (5)
1979(1)
  • 参考文献(1)
  • 二级参考文献(0)
1998(2)
  • 参考文献(0)
  • 二级参考文献(2)
2001(1)
  • 参考文献(0)
  • 二级参考文献(1)
2006(1)
  • 参考文献(1)
  • 二级参考文献(0)
2007(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2009(2)
  • 引证文献(2)
  • 二级引证文献(0)
2010(1)
  • 引证文献(1)
  • 二级引证文献(0)
2012(1)
  • 引证文献(0)
  • 二级引证文献(1)
2013(1)
  • 引证文献(1)
  • 二级引证文献(0)
2014(2)
  • 引证文献(1)
  • 二级引证文献(1)
2015(5)
  • 引证文献(2)
  • 二级引证文献(3)
研究主题发展历程
节点文献
子空间方法
主成分分析
大规模网络流量
异常检测
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机工程与应用
半月刊
1002-8331
11-2127/TP
大16开
北京619信箱26分箱
82-605
1964
chi
出版文献量(篇)
39068
总下载数(次)
102
总被引数(次)
390217
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导