机器学习分布式网络传输异常数据智能检测方法

• 作者: 杨雅彬 刘晴 武志成 袁芬
• 来源期刊: 中国测试
• 关键词: 机器学习 分布式网络 异常数据 智能检测 贝叶斯分类 遗传算法
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 测控技术|Measurement and Control Technologies
• 页码范围: 104-109
• 页数: 6页
• 分类号: TP393.08|TB9
• 语种: 中文
• DOI: 10.11857/j.issn.1674-5124.2020020034

摘要

对于链路状态数据库的网络传输异常数据检测存在检测数据不完整、较为敏感、检测效率差的问题,提出基于机器学习的分布式网络传输异常数据智能检测方法,通过K最近邻分簇算法对分布式网络节点实施分簇,利用贝叶斯分类算法检测簇头是否出现异常;确定异常簇后,选取小波阈值降噪方法对异常簇内数据进行降噪处理,在此基础上,采用遗传算法检测降噪处理后异常簇内的异常数据,通过群体内最佳个体与最差个体的适应度函数值的差值同既定阈值的比较结果得到最终异常数据.经实验证明,所提方法检测异常数据的平均时间为8.48 s,检测结果与实际结果相似性较高,且检测性能较为稳定,说明该方法具有较高的异常数据检测性能.