APP下载

基于KNN 的网络流量异常检测研究*

2021-05-20高仲合

通信技术 2021年5期
关键词:分类特征检测

张 凡,高仲合,牛 琨

(曲阜师范大学,山东 曲阜 273165)

0 引言

随着互联网和移动设备的广泛使用,网络安全问题也越来越突出。要解决网络安全问题,需要准确地检测到恶意网络行为[1]。近年来异常检测在网络监控、捕获特征和流量分布等方面发挥越来越重要的作用。异常检测本质是一种数据的分类任务,对于分类任务来说,机器学习算法在这一领域已经取得了很明显的效果[2]。机器学习广泛用于网络异常检测中,例如,支持向量机(Support Vector Machine,SVM)、随机森 林(Random Forest,RF)、K-均值聚类(K-means)、K-最近邻算法(K-Nearest Neighbor,KNN)等。其中KNN 算法简单易于实现,并且支持特征的高维度计算,能在异常检测中展现较好的效果[3]。但传统KNN 算法在计算样本之间的距离时将属性的贡献看作是相同的,计算样本距离时权重是固定的,但在实际情况下,每个样本的属性贡献程度不同,这就会造成实际结果与预测结果严重偏离的问题。当数据分布不均匀时,样本数多的类别可能会有分类优势,这就会导致此类别中包含的属性参数频率相应的提高,从而当不同类别的近邻样本数相等时,很有可能因k的取值范围不同而错误分类。所以及时有效地检测到网络异常在网络安全领域具有重大意义[4]。

1 网络流量异常检测相关算法

1.1 KNN 算法

K-最近邻算法是著名的模式识别统计学方法,在机器学习分类算法中占有重要地位。KNN 算法中,首先计算给定测试对象与训练集中每个对象的距离,其次选定距离最近的k个训练对象作为测试对象的近邻,最后根据这k个近邻归属的主要类别来对测试对象分类。……

登录APP查看全文

猜你喜欢

分类特征检测
分类算一算
如何表达“特征”
不忠诚的四个特征
教你一招:数的分类
小波变换在PCB缺陷检测中的应用
线性代数的应用特征