CN110825545A - 一种云服务平台异常检测方法与*** - Google Patents
一种云服务平台异常检测方法与*** Download PDFInfo
- Publication number
- CN110825545A CN110825545A CN201910820118.1A CN201910820118A CN110825545A CN 110825545 A CN110825545 A CN 110825545A CN 201910820118 A CN201910820118 A CN 201910820118A CN 110825545 A CN110825545 A CN 110825545A
- Authority
- CN
- China
- Prior art keywords
- host
- hypersphere
- anomaly detection
- measurement data
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000005259 measurement Methods 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000005856 abnormality Effects 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0751—Error or fault detection not based on redundancy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
- G06F11/0709—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a distributed system consisting of a plurality of standalone computer nodes, e.g. clusters, client-server systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2453—Classification techniques relating to the decision surface non-linear, e.g. polynomial classifier
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Nonlinear Science (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种云服务平台异常检测方法与***,该方法包括以下步骤:1)实时采集云平台主机正常工作时的***度量数据,并根据***度量数据计算出***运行环境向量;2)利用正常的***运行环境向量,结合最大平均偏差算法MMD和支持向量数据描述算法SVDD训练以获取异常检测模型;3)在接收到新的主机***度量数据时,使用主机所在集群的超球面对主机***度量数据进行分类,从而检测主机异常。本发明结合MMD和SVDD两种算法训练以获取异常检测模型,有效解决了云服务平台中正常和异常样本极度不均衡的问题,使其能够检测云服务平台中未知的***异常,同时不再需要为每一台主机都构建异常检测模型,从而大大的降低了异常建模的时间和***资源消耗。
Description
技术领域
本发明涉及云计算安全技术,尤其涉及一种云服务平台异常检测方法与***。
背景技术
云服务平台是一个开放的公共平台,为大量用户提供各种不同的应用服务。这些应用服务的可靠性对其消费者而言至关重要。云服务平台中存在异常会使其可靠性受到质疑。由于规模和复杂性,云服务平台会产生大量的***异常,这些异常主要由云平台管理员操作错误、资源过度/欠配置、硬件/软件故障和网络攻击等引起的。因此,对云服务平台的***运行状态进行实时的异常检测具有十分重要的意义。
异常检测的基本原理是在***监测的基础上,将***、用户、进程或者网络的行为作为相应的轮廓模型,当***运行状态偏离正常轮廓模型时,即可判定为异常。目前,已有相关的异常检测方法及其对应的异常检测***。主要分为基于统计的异常检测算法和基于机器学习的异常检测算法。
基于统计的异常检测方法首先通过采用统计学***台主机的***性能数据的时间序列分布,或者可能不能很好地适应不断扩展的集群。
基于机器学***台收集的未标记数据应用K-means和DBSCAN生成聚类,并使用 new-Kyoto-2006+数据集对聚类结果进行标记。Elham Besharati等人使用三种不同分类器的组合:神经网络、决策树和线性区分来识别各种攻击,该方法具有很高的准确率,但是该方法需要为每一台主机构建一个神经网络和决策树模型,成本较大。
现存在的技术难点主要有:(1)云服务平台大部分时间处于正常运行状态,异常的数据样本远远少于正常的数据样本;(2)基于机器学***台。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种云服务平台异常检测方法与***。
本发明解决其技术问题所采用的技术方案是:一种云服务平台异常检测方法,包括以下步骤:
1)实时采集云平台主机正常工作时的***度量数据,并根据***度量数据计算出***运行环境向量;
2)利用正常的***运行环境向量,结合最大平均偏差算法MMD和支持向量数据描述算法SVDD(support vector domain description)训练以获取异常检测模型;
所述步骤2)中结合MMD和SVDD两种算法的训练获取异常检测模型的过程如下:
步骤2.1)使用MMD对***主机的正常运行环境向量进行聚类,从而将云平台主机按***运行环境相似性划分为多个集群;
步骤2.2)根据正常的***运行环境向量,使用SVDD为每一台主机集群构建一个超球面,用于描述每个主机正常运行时的数据分布情况,从而对异常数据进行检测;
3)在接收到新的主机***度量数据时,使用主机所在集群的超球面对主机***度量数据进行分类,从而检测主机异常。
按上述方案,所述步骤3)具体为:
步骤3.1)在接受到新的主机***度量数据时,根据***度量数据计算出***运行环境向量;
步骤3.2)根据主机所在的集群,选择该集群所对应的超球面作为异常检测模型;
步骤3.3)当主机***运行环境向量落在超球面内或者超球面上,则判定主机当前处于正常状态;
步骤3.4)当主机***运行环境向量落在超球面外,则判定主机当前处于异常状态。
按上述方案,所述步骤2.2)中超球面的构建过程如下:
2.2.1)考虑运行环境向量集,其中,N是集群中主机的数量,则超球面的构建过程可以用如下公式表示:
同时,上式满足如下约束:
(xi-a)T(xi-a)≤R2+ξi,ξi≥0
其中,R是超球面的半径,a是超球面的中心,上式表明如果数据点在超球体内部或者表面的时候ξi=0,否则ξi>0,C是一个常数,如果C取的很大,模型训练的时候就会尽量偏向于找一个更大的圆从而尽量囊括更多的点,如果C比较小,就偏向于找一个小的圆;
2.2.2)设置常数C的大小,在构建过程中忽略距离原点超过设定值的样本点;
2.2.3)通过不断的拟合,最终计算得到超球面的半径和超球面的中心,拟合过程可以用如下公式表示:
按上述方案,所述步骤1)中***度量数据包括CPU、内存、磁盘、以及网络相关的***度量数据。
一种云服务平台异常检测***,包括:
采集模块,用于实时采集云平台主机正常工作时的***度量数据,并根据***度量数据计算出***运行环境向量;
模型构建模块,用于利用正常的***运行环境向量,结合最大平均偏差算法MMD和支持向量数据描述算法SVDD(support vector domain description) 训练以获取异常检测模型;
所述模型构建模块中结合MMD和SVDD两种算法的训练获取异常检测模型的过程如下:
1)使用MMD对***主机的正常运行环境向量进行聚类,从而将云平台主机按***运行环境相似性划分为多个集群;
2)根据正常的***运行环境向量,使用SVDD为每一台主机集群构建一个超球面,用于描述每个主机正常运行时的数据分布情况,从而对异常数据进行检测;
检测模块,用于在接收到新的主机***度量数据时,使用主机所在集群的超球面对主机***度量数据进行分类,从而检测主机异常。
按上述方案,所述检测模块具体为:
1)在接受到新的主机***度量数据时,根据***度量数据计算出***运行环境向量;
2)根据主机所在的集群,选择该集群所对应的超球面作为异常检测模型;
3)当主机***运行环境向量落在超球面内或者超球面上,则判定主机当前处于正常状态;
4)当主机***运行环境向量落在超球面外,则判定主机当前处于异常状态。
按上述方案,所述模型构建模块中超球面的构建过程如下:
1)考虑运行环境向量集,其中,N是集群中主机的数量,则超球面的构建过程可以用如下公式表示:
同时,上式满足如下约束:
(xi-a)T(xi-a)≤R2+ξi,ξi≥0
其中,R是超球面的半径,a是超球面的中心,上式表明如果数据点在超球体内部或者表面的时候ξi=0,否则ξi>0,C是一个常数,如果C取的很大,模型训练的时候就会尽量偏向于找一个更大的圆从而尽量囊括更多的点,如果C比较小,就偏向于找一个小的圆。
2)设置常数C的大小,在构建过程中忽略距离原点超过设定值的样本点;
3)通过不断的拟合,最终计算得到超球面的半径和超球面的中心,拟合过程可以用如下公式表示:
按上述方案,所述采集模块中***度量数据包括CPU、内存、磁盘、以及网络相关的***度量数据。
本发明产生的有益效果是:
1.结合MMD和SVDD两种算法训练以获取异常检测模型,有效解决了云服务平台中正常和异常样本极度不均衡的问题,使其能够检测云服务平台中未知的***异常,同时不再需要为每一台主机都构建异常检测模型,从而大大的降低了异常建模的时间和***资源消耗。
2.通过构建的模型,对主机***度量数据进行分类,实现云服务平台主机的在线异常检测,及时发现云服务平台中***的异常行为,提高了云服务平台的可靠性。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的方法流程图;
图2是本发明实施例的聚类过程的伪代码示意图;
图3是本发明实施例的超球面的构建过程流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,一种云服务平台异常检测方法,该方法包括:
步骤1:实时采集云平台主机的CPU/内存/磁盘/网络相关的***度量数据,并根据***度量数据计算出***运行环境向量,计算过程如下:
1)考虑CPU度量数据,通过CPU***时间(SYS)、CPU用户时间(USER)、 CPU磁盘IO等待时间(IO_WAIT)、CPU硬中断事件(IRQ)、CPU软中断事件 (SOFT_IRQ)、CPU空闲时间(IDLE)计算CPU的使用率Usagecpu,计算公式如下:
2)考虑内存度量数据,通过总内存大小(TOTAL)、实际使用的内存大小 (ACTUAL)、缓存中的内存大小(CACHE+BUFFERS)计算内存使用率,计算公式如下:
3)考虑磁盘度量数据,通过磁盘读次数(READ_COUNT)、磁盘写次数 (WRITE_COUNT)和最大磁盘IO次数(MAX_IO_COUNT)计算磁盘IO频率,计算公式如下:
4)考虑网络度量数据,通过网络进站流量大小(IN_SIEZ)、网络出站流量大小(OUT_SIEZ)和网络带宽(MAX_SIZE)计算网络负载,计算公式如下:
5)根据上述计算结果获得***运行环境向量,***运行环境向量表示如下:
RE=(Usagecpu,Usagemem,Freqdisk,Loadnet)
步骤2:利用正常的***运行环境向量,结合MMD和SVDD两种算法训练以获取异常检测模型,使其不但能在异常样本缺失的情况下检测未知异常,还能同时检测多台具有相似运行环境的主机的异常,从而大大降低建模时间和***的资源消耗;
结合MMD和SVDD两种算法的训练过程如下:
步骤2.1:使用MMD对***主机的运行环境向量进行聚类,将具有相似运行环境的主机划分到一个簇中,而在不同运行环境簇的主机,它们的运行环境差异较大,聚类过程的伪代码如图2所示,聚类过程如下:
1)根据最小距离原则,从***运行环境向量集合中选择距离原点最近的点作为第一个聚类中心,距离的计算采用欧式距离;
2)从***运行环境向量集合中选择距离第一个点最远的点作为第二个聚类中心;
3)根据最小距离原则,将样本点划分到最近的聚类中心中,并更新聚类中心,如果样本点到所有聚类中心的距离都大于设定的阈值,则将该样本点作为新的聚类中心;
4)重复过程3),直到所有样本点都划分完成。
步骤2.2:使用SVDD算法对每个簇中的数据样本进行训练,为每个簇构建一个超球面,这些超球面描述了各个簇中的主机在正常运行状态下的运行环境数据分布情况,超球面的构建过程如图3所示,构建过程描述如下:
1)考虑运行环境向量集,其中,N是集群中主机的数量,则超球面的构建过程可以用如下公式表示:
同时,上式满足如下约束:
(xi-a)T(xi-a)≤R2+ξi,ξi≥0
其中,R是超球面的半径,a是超球面的中心,上式表明如果数据点在超球体内部或者表面的时候ξi=0,否则ξi>0,C是一个常数,如果C取的很大,模型训练的时候就会尽量偏向于找一个更大的圆从而尽量囊括更多的点,如果C比较小,就偏向于找一个小的圆。
2)设置常数C的大小,在构建过程中忽略距离原点超过设定值的样本点;
3)通过不断的拟合,最终计算得到超球面的半径和超球面的中心,拟合过程可以用如下公式表示:
步骤3:在接收到新的主机***度量数据时,使用主机所在集群的超球面对主机***度量数据进行分类,分类的公式如下:
其中,Ω表示超球面。当主机***运行环境向量落在超球面内或者超球面上,则判定主机当前处于正常状态;当主机***运行环境向量落在超球面外,则判定主机当前处于异常状态,并通过邮件进行告警。
本实施拟提出的一种云平台异常检测方法具有以下有益效果:
1)结合MMD和SVDD两种算法训练以获取异常检测模型,有效解决了云服务平台中正常和异常样本极度不均衡的问题,使其能够检测云服务平台中未知的***异常,同时不再需要为每一台主机都构建异常检测模型,从而大大的降低了异常建模的时间和***资源消耗。
2)通过构建的模型,对主机***度量数据进行分类,实现云服务平台主机的在线异常检测,及时发现云服务平台中***的异常行为,提高了云服务平台的可靠性。
本发明进一步提出一种云服务平台异常检测***,本发明提出的云服务平台异常检测***,包括采集模块、通信模块、建模模块和检测模块:
采集模块运行于云平台主机内,实时采集云服务平台主机的CPU/内存/磁盘 /网络相关的***资源度量数据,并将采集的数据提交给通信模块客户端子模块。
通信模块客户端子模块在获取到采集模块提交的数据后,对数据进行封装,在数据包头中加入本机Mac地址用于区分不同的主机***度量数据,并将封装后的数据包推送到Kafka消息队列的SYS_METRICS主题中。
通信模块服务端子模块定时从Kafka消息队列的SYS_METRICS主题中拉取并解析数据,将解析的数据按照一定的格式保存到数据库当中。
建模模块对正常情况下(即未受到任何攻击的***度量数据进行分析建模,生成异常检测模型)。具体步骤为:
步骤1:从HBase数据库中提取增量数据,并根据***度量数据计算出***运行环境向量;
步骤2:利用正常的***运行环境向量,结合MMD和SVDD两种算法训练以获取异常检测模型,使其不但能在异常样本缺失的情况下检测未知异常,还能同时检测多台具有相似运行环境的主机的异常,从而大大降低建模时间和***的资源消耗,建模过程如下:
步骤2.1:使用MMD对所有计算出的***运行环境向量进行聚类,从而将云服务平台主机按***运行环境相似性划分为多个集群;
步骤2.2:根据***正常的运行环境向量,使用SVDD为每一个主机集群构建一个超球面,用于描述主机正常运行时的数据分布情况。
检测模块,加载所有主机集群对应的超球面,当接受到新的主机***度量数据时,先根据主机***度量数据计算主机***运行环境向量;然后,根据主机所在的集群,选择该集群所对应的超球面对***度量数据进行分类;当主机***运行环境向量落在超球面内或者超球面上,则判定主机当前处于正常状态;当主机***运行环境向量落在超球面外,则判定主机当前处于异常状态,并通过邮件进行告警。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种云服务平台异常检测方法,其特征在于,包括以下步骤:
1)实时采集云平台主机正常工作时的***度量数据,并根据正常和异常的***度量数据计算出***运行环境向量;
2)利用正常的***运行环境向量,结合最大平均偏差算法MMD和支持向量数据描述算法SVDD训练以获取异常检测模型;
所述步骤2)中结合MMD和SVDD两种算法的训练获取异常检测模型的过程如下:
步骤2.1)使用MMD对***主机的正常运行环境向量进行聚类,从而将云平台主机按***运行环境相似性划分为多个集群;
步骤2.2)根据正常的***运行环境向量,使用SVDD为每一台主机集群构建一个超球面,用于描述每个主机正常运行时的数据分布情况,从而对异常数据进行检测;
3)在接收到新的主机***度量数据时,使用主机所在集群的超球面对主机***度量数据进行分类,从而检测主机异常。
2.根据权利要求1所述的云服务平台异常检测方法,其特征在于,所述步骤3)具体为:
步骤3.1)在接受到新的主机***度量数据时,根据***度量数据计算出***运行环境向量;
步骤3.2)根据主机所在的集群,选择该集群所对应的超球面作为异常检测模型;
步骤3.3)当主机***运行环境向量落在超球面内或者超球面上,则判定主机当前处于正常状态;
步骤3.4)当主机***运行环境向量落在超球面外,则判定主机当前处于异常状态。
4.根据权利要求1所述的云服务平台异常检测方法,其特征在于,所述步骤1)中***度量数据包括CPU、内存、磁盘、以及网络相关的***度量数据。
5.一种云服务平台异常检测***,其特征在于,包括:
采集模块,用于实时采集云平台主机正常工作时的***度量数据,并根据***度量数据计算出***运行环境向量;
模型构建模块,用于利用正常的***运行环境向量,结合最大平均偏差算法MMD和支持向量数据描述算法SVDD训练以获取异常检测模型;
所述模型构建模块中结合MMD和SVDD两种算法的训练获取异常检测模型的过程如下:
1)使用MMD对***主机的正常运行环境向量进行聚类,从而将云平台主机按***运行环境相似性划分为多个集群;
2)根据正常的***运行环境向量,使用SVDD为每一台主机集群构建一个超球面,用于描述每个主机正常运行时的数据分布情况,从而对异常数据进行检测;
检测模块,用于在接收到新的主机***度量数据时,使用主机所在集群的超球面对主机***度量数据进行分类,从而检测主机异常。
6.根据权利要求5所述的云服务平台异常检测***,其特征在于,所述检测模块具体为:
1)在接受到新的主机***度量数据时,根据***度量数据计算出***运行环境向量;
2)根据主机所在的集群,选择该集群所对应的超球面作为异常检测模型;
3)当主机***运行环境向量落在超球面内或者超球面上,则判定主机当前处于正常状态;
4)当主机***运行环境向量落在超球面外,则判定主机当前处于异常状态。
8.根据权利要求5所述的云服务平台异常检测***,其特征在于,所述采集模块中***度量数据包括CPU、内存、磁盘、以及网络相关的***度量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910820118.1A CN110825545A (zh) | 2019-08-31 | 2019-08-31 | 一种云服务平台异常检测方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910820118.1A CN110825545A (zh) | 2019-08-31 | 2019-08-31 | 一种云服务平台异常检测方法与*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110825545A true CN110825545A (zh) | 2020-02-21 |
Family
ID=69547898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910820118.1A Pending CN110825545A (zh) | 2019-08-31 | 2019-08-31 | 一种云服务平台异常检测方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110825545A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369339A (zh) * | 2020-03-02 | 2020-07-03 | 深圳索信达数据技术有限公司 | 一种基于过采样改进svdd的银行客户交易行为异常识别方法 |
CN112487363A (zh) * | 2020-12-03 | 2021-03-12 | 上海卫星工程研究所 | 一种基于mmd分析的卫星遥测一致性检测方法及*** |
CN112783682A (zh) * | 2021-02-01 | 2021-05-11 | 福建多多云科技有限公司 | 一种基于云手机服务的异常自动修复方法 |
WO2021139249A1 (zh) * | 2020-05-28 | 2021-07-15 | 平安科技(深圳)有限公司 | 数据异常检测方法、装置、设备及存储介质 |
CN113532866A (zh) * | 2020-04-16 | 2021-10-22 | 中国船舶重工集团公司第七一一研究所 | 一种柴油机异常状态检测方法、***以及计算机储存介质 |
CN115563622A (zh) * | 2022-09-29 | 2023-01-03 | 国网山西省电力公司 | 一种运行环境的检测方法、装置和*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980480A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 半监督异常入侵检测方法 |
CN106951776A (zh) * | 2017-01-18 | 2017-07-14 | 中国船舶重工集团公司第七0九研究所 | 一种主机异常检测方法和*** |
-
2019
- 2019-08-31 CN CN201910820118.1A patent/CN110825545A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980480A (zh) * | 2010-11-04 | 2011-02-23 | 西安电子科技大学 | 半监督异常入侵检测方法 |
CN106951776A (zh) * | 2017-01-18 | 2017-07-14 | 中国船舶重工集团公司第七0九研究所 | 一种主机异常检测方法和*** |
Non-Patent Citations (1)
Title |
---|
PING LOU: "《An Anomaly Detection Method for Cloud Service Platform》" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369339A (zh) * | 2020-03-02 | 2020-07-03 | 深圳索信达数据技术有限公司 | 一种基于过采样改进svdd的银行客户交易行为异常识别方法 |
CN113532866A (zh) * | 2020-04-16 | 2021-10-22 | 中国船舶重工集团公司第七一一研究所 | 一种柴油机异常状态检测方法、***以及计算机储存介质 |
WO2021139249A1 (zh) * | 2020-05-28 | 2021-07-15 | 平安科技(深圳)有限公司 | 数据异常检测方法、装置、设备及存储介质 |
CN112487363A (zh) * | 2020-12-03 | 2021-03-12 | 上海卫星工程研究所 | 一种基于mmd分析的卫星遥测一致性检测方法及*** |
CN112783682A (zh) * | 2021-02-01 | 2021-05-11 | 福建多多云科技有限公司 | 一种基于云手机服务的异常自动修复方法 |
CN112783682B (zh) * | 2021-02-01 | 2022-02-22 | 福建多多云科技有限公司 | 一种基于云手机服务的异常自动修复方法 |
CN115563622A (zh) * | 2022-09-29 | 2023-01-03 | 国网山西省电力公司 | 一种运行环境的检测方法、装置和*** |
CN115563622B (zh) * | 2022-09-29 | 2024-03-12 | 国网山西省电力公司 | 一种运行环境的检测方法、装置和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110825545A (zh) | 一种云服务平台异常检测方法与*** | |
CN110784481B (zh) | SDN网络中基于神经网络的DDoS检测方法及*** | |
Park et al. | Classification of attack types for intrusion detection systems using a machine learning algorithm | |
US11570070B2 (en) | Network device classification apparatus and process | |
US7724784B2 (en) | System and method for classifying data streams using high-order models | |
CN109067586B (zh) | DDoS攻击检测方法及装置 | |
WO2022037130A1 (zh) | 网络流量异常的检测方法、装置、电子装置和存储介质 | |
EP3465515B1 (en) | Classifying transactions at network accessible storage | |
Zhe et al. | DoS attack detection model of smart grid based on machine learning method | |
US20220210172A1 (en) | Detection of anomalies associated with fraudulent access to a service platform | |
Garg et al. | HyClass: Hybrid classification model for anomaly detection in cloud environment | |
CN117081858B (zh) | 一种基于多决策树入侵行为检测方法、***、设备及介质 | |
CN111224984B (zh) | 一种基于数据挖掘算法的Snort改进方法 | |
Xiao et al. | A traffic classification method with spectral clustering in SDN | |
Brandao et al. | Log Files Analysis for Network Intrusion Detection | |
CN108989083B (zh) | 云环境下基于混合策略的故障检测性能优化方法 | |
Rassam et al. | One-class principal component classifier for anomaly detection in wireless sensor network | |
Nalavade et al. | Evaluation of k-means clustering for effective intrusion detection and prevention in massive network traffic data | |
CN117155701A (zh) | 一种网络流量入侵检测方法 | |
CN112888008A (zh) | 基站异常检测方法、装置、设备及存储介质 | |
CN112422546A (zh) | 一种基于变邻域算法和模糊聚类的网络异常检测方法 | |
CN112583847A (zh) | 一种面向中小企业网络安全事件复杂分析的方法 | |
CN117294497A (zh) | 一种网络流量异常检测方法、装置、电子设备及存储介质 | |
CN112055007A (zh) | 一种基于可编程节点的软硬件结合威胁态势感知方法 | |
Daneshgadeh et al. | A hybrid approach to detect DDoS attacks using KOAD and the Mahalanobis distance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |
|
RJ01 | Rejection of invention patent application after publication |