大規模通信網絡中異常流量檢測方法研究

竇磊 劉杰

【摘要】受通信網絡自身動態演化過程影響，極容易發生配置錯誤和蠕蟲爆發等異常現象，研究大規模通信網絡中異常流量的檢測方法。基于時間序列估算流量熵值、構建異常流量分解模型完成檢測，完成大規模通信網絡中異常流量檢測方法設計。在網絡通信中采用本文方法進行網絡流量數據檢測，該方法的誤檢率可以控制在10次以內，可以較大程度的提高通信網絡的運行效率，具有實際應用效果。

【關鍵詞】大規模通信網絡;異常流量;檢測方法;流量熵值;

中圖分類號：TP393.06文獻標識碼：A

引言

當前社會信息化發展迅速，人們的日常工作和生活越來越離不開互聯網。但高強度的網絡通信架構下，其產生和采集到的網絡流量會隨之發生變化。異常流量的檢測是現有網絡管理中的重要組成部分，對網絡的穩健運行起著十分重要的作用，也是現代網絡信息發展中較為關鍵的技術之一。從原有的簡單算法到多種算法的集成應用，西方發達國家已經完成了網絡路由和性能異常檢測的標準化研究，國內在此階段處于預測的起步階段，需要克服的難點仍有許多。本文基于此研究大規模通信網絡中異常流量檢測方法，為提高網絡的運行管理提供理論依據。

1大規模通信網絡中異常流量檢測方法

1.1基于時間序列估算流量熵值

熵的概念出自信息論，可以通過系統參數的分布變化情況進行橫向度量，在無法進行長時間隨機檢測中完成信息描述，基于此對通信網絡中的流量進行流量熵值 估算[1]。受網絡流量數據的多維度采集影響，將按照時間序列完成數據的分類，在同等維度下對能夠描述的數據組成集合，其中是網絡流量數據的維度數值，在有限維度取值中，每組數據的包長值不盡相同，以最小維度中出現的相同流量次數為準，流量熵值表達式為：

公式中：數量流量的總項用表示，定義為數據在集合中出現的第次的所在位置，維度數據的項目集合大小用表中，代表為達到隨機數據集合的度量變化量。在所有到達的數據項熵值為0是，默認所有能夠到達的數據項在同一個時間維度上，使其定義為有限時間維度中的標準流量值。

1.2 構建分解模型檢測異常流量

根據流量的自相似性在標準估算值范圍內，利用灰色構建分解模型，將原有的數據流量數據作為原始數列，把需要預測的結果和實際標準值進行對比，超過范圍的數據集合可以認為是灰色理論區域。在此過程中需要注意的是，不是所有灰色流量都是異常流量，在分解過程中極容易出現，保護線同等功能的正常流量存在差異性，在鄰近的流量對比過程中會被誤判到灰色區域內，需要在此基礎上對模型添加滑動窗口機制[2]。以灰色預測數據做滑動窗口運動的大小變化，保證模型窗口內部的數據均是實際流量數據，每次對窗口中的流量進行兩兩預測，若結果表示為正常的標準值則可加入窗口并刪減原有數據。若數據結果與標準值相差巨大，則需要在灰色理論上重新調整窗口，以此消除多重預測導致的偏差累積效果[3]。在不同功能的正常流量進行分解后，可以直接分離出不相近的網絡流量數據，直接歸類到灰色區域內重復窗口滑動，直至異常流量的檢出即可。

2實驗結果分析

為驗證本文設計的方法具有實際應用效果，采用實驗測試的方式對網絡流量進行異常時段檢測，證明其在大規模的通信網絡中能夠實現較少的誤檢。選取某省通信公司中家庭網絡據集合進行實驗，采樣數據時長分別為6天，按照每分鐘采樣的頻率進行數據收集，共包含流量數據1550次。其中每日的采樣點前后的趨勢值通過平均流量控制，同滑動平均的方式對所有流量數據進行分解，具體流量走向如圖1所示。

如圖所示能夠明顯看出，數據集合中包含異常流量，最高數據流量峰值出現2000-3000min時間內，出現8次異常流量。在此基礎上引入PAC和KTLAD兩組檢測方式，對上述存在的異常流量次數進行6組檢驗，每輪檢測次數以20次進行疊加，初始次數為80次，分別統計不同方式下的誤檢次數，測試結果如下表1所示。

根據表中內容可知，在依次疊加檢測次數的基礎上，兩組傳統方法的誤檢次數會逐漸增加，而本文方法能夠將誤檢次數控制在10次以內，具有實際的檢測效果。

由此可以得出結論，本文方法在通信網絡中能夠實現異常流量的檢測，且誤檢次數較少，可以有效提高網絡的運行效率。

3結束語

本文在選擇不同時間序列的流量熵值估算下，建立了異常流量分解模型，能夠分批次和分類型的進行通信網絡中的異常流量檢測。實驗結果表明：本文方法能夠實現通信網絡中異常流量的檢測，且誤檢次數大幅度下降，可以有效提高網絡的運行效率。但在研究過程中由于時間限制，無法將異常流量和網絡通信之間的關聯性加以總結，一旦樣本收縮在處理結果上會產生一定偏差。后續研究中會將不同的異常情況進行等級分類，在提高檢測成功率的同時，總結網絡流量變化和異常網絡之間的相關性，使其具備更好的檢測效果。

參考文獻

[1]原軍，張凱，藥煒，等.基于機器學習的分組交換電力光網絡流量異常檢測[J].機械與電子，2021，39（09）：47-50+55.

[2]麻文剛，張亞東，郭進.基于LSTM與改進殘差網絡優化的異常流量檢測方法[J].通信學報，2021，42（05）：23-40.

[3]劉奕，李建華，張一瑫，等.基于特征屬性信息熵的網絡異常流量檢測方法[J].信息網絡安全，2021，21（02）：78-86.

作者簡介：

竇磊（1989-），漢族，河南濮陽人，本科，助教，研究方向：信息管理。