CN110490231A - 一种有监督判别流形学习的Netflow数据降维方法 - Google Patents
一种有监督判别流形学习的Netflow数据降维方法 Download PDFInfo
- Publication number
- CN110490231A CN110490231A CN201910644369.9A CN201910644369A CN110490231A CN 110490231 A CN110490231 A CN 110490231A CN 201910644369 A CN201910644369 A CN 201910644369A CN 110490231 A CN110490231 A CN 110490231A
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- netflow
- supervision
- objective function
- 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
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于数据处理领域,公开一种有监督判别流形学习的Netflow数据降维方法,步骤(1):获取来自局域网路由器的Netflow数据包并存入数据库;步骤(2):建立Netflow数据矩阵X=[y1,y2,...,yn];步骤(3):建立近邻矩阵Hij,结合近邻矩阵Hij的近邻关系,构造有监督判别矩阵Sij;步骤(4):计算局部散度矩阵SL与全局散度矩阵SN;建立约束目标函数模型J(A),利用约束目标函数模型J(A)寻找一个同时具有最大全局散度矩阵和最小局部散度矩阵的低维投影子空间;步骤(5):特征分解:根据约束目标函数模型J(A),特征分解求得约束目标函数的解,并取前r个特征值所对应的的特征向量组成线性投影矩阵得到高维网络数据在低维空间的投影。本发明有效降低了输入样本的维度,降低Netflow数据量的大小减小了运算量。
Description
技术领域
本发明属于数据处理领域,尤其涉及一种有监督判别流形学习的Netflow数据降维方法。
背景技术
NetFlow是一种网络监测功能,可以收集进入及离开网络界面的IP封包的数量及资讯,最早由思科公司研发,应用在路由器及交换器等产品上。经由分析Netflow收集到的资讯,网络管理人员可以知道封包的来源及目的地,网络服务的种类,以及造成网络壅塞的原因。
随着系统的升级与漏洞的修补,入侵主机进而进行破坏的病毒攻击方式在攻击中所占比例逐渐减少,这些攻击转而改为恶意的消耗网络有限的资源或占用系统,进而破坏系统对外提供服务的能力;但传统的系统升级无法检测并预防此类攻击。针对此类攻击,业界提出了以检测网络数据流的方法来判断网络异常和攻击:借助实时的检测网络数据流信息,通过与历史记录模式匹配、或者与异常模式匹配,让网络管理人员可以实时查看全网的状态,检测网络性能可能出现的瓶颈,并进行自动处理或告警显示,以保证网络高效、可靠地运转。
Netflow提供网络流量的会话级视图,记录下每个TCP/IP事务的信息。也许它不能像tcpdump那样提供网络流量的完整记录,但是当汇集起来时,它更加易于管理和易读。Netflow由Cisco创造。一个Netflow系统包括三个主要部分:探测器,采集器,报告系统。探测器是用来监听网络数据的。采集器是用来收集探测器传来的数据的。报告系统是用来从采集器收集到的数据产生易读的报告的。
随着网络用户对网络服务质量要求的提高,网络安全分析所需要收集和统计的Netflow数据也越来越多。这些数据体现了网络的工作情况与性能,如何分析与处理这些Netflow数据,对于提高网络的安全、服务质量有着非常重大的意义。而Netflow数据由于其内部结构复杂,形成高维空间数据结构,存在维数灾难问题,从而对原始高维Netflow数据进行分析处理时,会有巨大的计算量,降低分析处理的效率,因而需要对Netflow数据进行降维处理。
为了更好地理解和处理这些高维复杂的网络数据,数据降维技术被广泛应用。数据降维的目的是找出高维数据中隐藏的低维结构,即将原始高维空间映射到低维空间中,可以为后续分析降低时间复杂度。而流形学习是近年才发展起来的一类新的非线性维数约简方法。通过流形学习方法建立高维-低维映射模型,能更加合理地显示高维数据集的内在结构。将流形学习算法运用在Netflow数据处理中,在非线性降维的同时保持原样本空间的分布特性,提高Netflow数据分析效率。
综上所述,由于Netflow数据的高维特性,在例如异常检测等的网络安全问题的分析处理中,会有较高的计算规模,可能导致比较低的分析效率,因此,本发明提出了一种有监督判别流形学习的Netflow数据降维方法,在考虑类别信息的基础上,通过最大化表征全局几何结构的全局散度矩阵和最小化表征局部几何结构的局部散度矩阵来寻找最佳投影子空间,更多挖掘高维数据的几何结构信息。
发明内容
本发明的目的在于公开能够保持类间几何特性、降低计算量的一种有监督判别流形学习的Netflow数据降维方法。
本发明的目的是这样实现的:
一种有监督判别流形学习的Netflow数据降维方法,包含如下步骤:
步骤(1):数据源获取:通过Hadoop中的Flume组件获取来自局域网路由器的Netflow数据包并存入数据库;
步骤(2):根据Netflow数据包的数据,建立Netflow数据矩阵X=[y1,y2,...,yn],将某一时刻ti的Netflow数据的各属性构成的向量作为Netflow数据矩阵X的行向量,每间隔固定的时间间隔生成一条行向量yi,i=1,2,3...n;
步骤(3):针对Netflow数据矩阵X,根据数据集上高维空间数据的样本点的局部近邻关系,沿用流形学习方法,建立近邻矩阵Hij;结合近邻矩阵Hij的近邻关系,利用数据集的类别标签信息,构造有监督判别矩阵Sij;
步骤(4):根据有监督判别矩阵Sij,沿用流形学习方法,计算局部散度矩阵SL与全局散度矩阵SN;建立约束目标函数模型J(A),利用约束目标函数模型J(A)寻找一个同时具有最大全局散度矩阵和最小局部散度矩阵的低维投影子空间;
步骤(5):特征分解:根据约束目标函数模型J(A),特征分解求得约束目标函数的解,并取前r个特征值所对应的的特征向量组成线性投影矩阵[A1,A2,...,Αr],以得到高维网络数据在低维空间的投影。
本发明还包括以下特征:
1、所述的步骤(3)具体为:
步骤(3.1):针对Netflow数据矩阵X,根据数据集上高维空间数据的样本点的局部近邻关系,沿用流形学习方法,建立近邻矩阵Hij;近邻矩阵Hij的任意元素hij=0时,说明xi与xj为近邻关系,当hij=1时说明xi与xj为非近邻关系;
步骤(3.2):结合近邻矩阵Hij的近邻关系,利用数据集的类别标签信息,变流形无监督为有监督,构造有监督判别矩阵Sij:
2、所述的步骤(4)中的约束目标函数模型J(A):
3、所述的步骤(5)具体为:
步骤(5.1):采用拉格朗日数乘法,得到约束目标函数的解推导为如下特征值分解中前几个较大的特征值所对应的特征向量:
SNA=λSLA;
取前r个特征值所对应的的特征向量组成线性投影矩阵[A1,A2,...,Αr];
步骤(5.2):输出高维数据在低维空间的映射Yt=ATXt。
本发明的有益效果为:
本发明在Netflow数据处理中,针对输入样本点的近邻关系,在考虑类别信息的基础上,构建有监督判别矩阵,有效降低了输入样本的维度,并保证了降维投影后同类数据聚集而异类数据分散的特性,同时有效降低Netflow数据量的大小,减小了运算量。
附图说明
图1是一种有监督判别流形学习的Netflow数据降维方法流程图。
具体实施方式
下面结合附图来进一步描述本发明:;
如图1,一种有监督判别流形学习的Netflow数据降维方法,解决现有无监督降维方法下Netflow高维数据的类间几何特性无法保持的问题。首先对每一条Netflow数据添加额外的标签,其中0代表正常,1代表异常。根据添加的上述标签进行有监督降维,降维投影之后能够实现同类数据聚集,不同类数据分散的效果。同时通过对高维Netflow数据进行降维,有效降低Netflow数据量的大小,从而避免过大的计算量,深入挖掘Netflow数据的本质。
本发明的具体内容如下:
步骤1:数据源获取。通过Hadoop中的Flume组件获取来自局域网路由器的Netflow数据包并存入数据库。
步骤2:根据步骤1采集的数据,建立Netflow数据矩阵X,其中行向量为某一时刻ti的Netflow数据的各属性构成的向量。每间隔固定的时间间隔生成一条行向量yi,Netflow数据矩阵X=[y1,y2,...,yn]。
步骤3:针对步骤2获取的Netflow数据矩阵X,根据数据集上高维空间数据的样本点的局部近邻关系,沿用现有的流形学习方法,建立近邻矩阵Hij;然后采用一种有监督判别矩阵生成方法,结合近邻矩阵Hij的近邻关系,利用数据集的类别标签信息,变流形无监督为有监督,构造有监督判别矩阵Sij。
所述有监督判别矩阵生成方法具体还包括:
对于近邻矩阵Hij的任意元素,当hij=0时,说明xi与xj为近邻关系,当hij=1时说明xi与xj为非近邻关系,由于任意元素hij,对于数据分类而言没有判别性,因而考虑类别信息,构造如下所示的有监督判别矩阵Sij。
步骤4:根据步骤3所提出的有监督判别矩阵Sij,沿用现有流形学习方法,计算局部散度矩阵SL与全局散度矩阵SN,并寻找一个同时具有最大全局散度矩阵和最小局部散度矩阵的低维投影子空间,建立约束目标函数模型J(A)。
所述建立约束目标函数模型J(A)具体还包括:
构建约束目标函数模型来寻找最佳投影子空间J(A),使得J(A)可以同时满足全局散度矩阵最大而局部散度矩阵最小J(A)。其中SL为局部散度矩阵,SL为局部散度矩阵。
步骤5:特征分解。根据步骤4约束目标函数模型J(A),特征分解求得约束目标函数的解,并取前r个特征值所对应的的特征向量组成线性投影矩阵[A1,A2,...,Αr],以得到高维网络数据在低维空间的投影。
所述对目标函数特征分解具体还包括:
(5.1)采用拉格朗日数乘法,得到该目标函数的解可以推导为如下特征值分解中前几个较大的特征值所对应的特征向量:
SNA=λSLA;
取前r个特征值所对应的的特征向量组成线性投影矩阵[A1,A2,...,Αr];
(5.2)输出高维数据在低维空间的映射Yt=ATXt;
本发明还可以这样描述:
一种有监督判别流形学习的Netflow数据降维方法,包含如下步骤:
步骤1:数据源获取。通过Hadoop中的Flume组件获取来自局域网路由器的Netflow数据包并存入数据库。
步骤2:根据步骤1采集的数据,建立Netflow数据矩阵X,其中行向量为某一时刻ti的Netflow数据的各属性构成的向量。每间隔固定的时间间隔生成一条行向量yi,Netflow数据矩阵X=[y1,y2,...,yn]。
步骤3:针对步骤2获取的Netflow数据矩阵X,根据数据集上高维空间数据的样本点的局部近邻关系,沿用现有的流形学习方法,建立近邻矩阵Hij;然后采用一种有监督判别矩阵生成方法,结合近邻矩阵Hij的近邻关系,利用数据集的类别标签信息,变流形无监督为有监督,构造有监督判别矩阵Sij。
步骤4:根据步骤3所提出的有监督判别矩阵Sij,沿用现有流形学习方法,计算局部散度矩阵SL与全局散度矩阵SN,并寻找一个同时具有最大全局散度矩阵和最小局部散度矩阵的低维投影子空间,建立约束目标函数模型J(A)。
步骤5:特征分解。根据步骤4约束目标函数模型J(A),特征分解求得约束目标函数的解,并取前r个特征值所对应的的特征向量组成线性投影矩阵[A1,A2,...,Αr],以得到高维网络数据在低维空间的投影。
步骤2所述Netflow数据矩阵X构建具体包括如下步骤:
根据Netflow网络数据,选择源IP地址、目标IP地址、源通信端口号、目标通信端口号、协议类型、服务类型(TOS)字节、服务类型(TOS)字节、启动时间、终止时间、输入接口、输出接口等的20个属性作为矩阵X的行向量,一小时内每间隔2秒生成一条行向量yi,一共有1800条行向量,其中X=[y1,y2,...,y1800]。
上述步骤3所述有监督判别矩阵生成方法具体还包括:
对于近邻矩阵Hij的任意元素,当hij=0时,说明xi与xj为近邻关系,当hij=1时说明xi与xj为非近邻关系。
(3.1)D是一个对角矩阵:拉普拉斯矩阵L=D-H,给定m个训练样本x1,x2,x3,...,xm,定义如下所示样本的近邻矩阵Hij。
其中i∈Ns(j)且j∈Ns(i)代表样本xi是样本xj的近邻且样本xi是样本xj的近邻。
(3.2)由于任意元素hij,对于数据分类而言没有判别性,因而考虑类别信息,
构造有监督判别矩阵Sij。具体关系如下:
上述步骤4所述建立约束目标函数模型J(A)具体还包括:
(4.1)根据类别相似的近邻图,构建局部散度矩阵SL。
其中L1——拉普拉斯矩阵,其计算为L1=D1-H,D1为对角阵其值为H的列和。
(4.2)根据类别相似的近邻图,构建全局散度矩阵SN。
(4.3)为了寻找一个同时具有最大全局散度矩阵和最小局部散度矩阵的低维投影子空间,建立函数模型J(A),其中
上述步骤5所述对目标函数特征分解具体还包括:
(5.1)采用拉格朗日数乘法,得到该目标函数的解可以推导为如下特征值分解中前几个较大的特征值所对应的特征向量:
SNA=λSLA;
取前r个特征值所对应的的特征向量组成线性投影矩阵[A1,A2,...,Αr];
(5.2)输出高维数据在低维空间的映射Yt=ATXt;
本发明在考虑类别信息的基础上,通过最大化表征全局几何结构的全局散度矩阵和最小化表征局部几何结构的局部散度矩阵来寻找最佳投影子空间,更多挖掘高维数据的几何结构信息。
以上所述并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种有监督判别流形学习的Netflow数据降维方法,其特征在于:包含如下步骤:
步骤(1):数据源获取:通过Hadoop中的Flume组件获取来自局域网路由器的Netflow数据包并存入数据库;
步骤(2):根据Netflow数据包的数据,建立Netflow数据矩阵X=[y1,y2,...,yn],将某一时刻ti的Netflow数据的各属性构成的向量作为Netflow数据矩阵X的行向量,每间隔固定的时间间隔生成一条行向量yi,i=1,2,3...n;
步骤(3):针对Netflow数据矩阵X,根据数据集上高维空间数据的样本点的局部近邻关系,沿用流形学习方法,建立近邻矩阵Hij;结合近邻矩阵Hij的近邻关系,利用数据集的类别标签信息,构造有监督判别矩阵Sij;
步骤(4):根据有监督判别矩阵Sij,沿用流形学习方法,计算局部散度矩阵SL与全局散度矩阵SN;建立约束目标函数模型J(A),利用约束目标函数模型J(A)寻找一个同时具有最大全局散度矩阵和最小局部散度矩阵的低维投影子空间;
步骤(5):特征分解:根据约束目标函数模型J(A),特征分解求得约束目标函数的解,并取前r个特征值所对应的的特征向量组成线性投影矩阵[A1,A2,...,Αr],以得到高维网络数据在低维空间的投影。
2.根据权利要求1所述的一种有监督判别流形学习的Netflow数据降维方法,其特征在于:所述的步骤(3)具体为:
步骤(3.1):针对Netflow数据矩阵X,根据数据集上高维空间数据的样本点的局部近邻关系,沿用流形学习方法,建立近邻矩阵Hij;近邻矩阵Hij的任意元素hij=0时,说明xi与xj为近邻关系,当hij=1时说明xi与xj为非近邻关系;
步骤(3.2):结合近邻矩阵Hij的近邻关系,利用数据集的类别标签信息,变流形无监督为有监督,构造有监督判别矩阵Sij:
3.根据权利要求1或2所述的一种有监督判别流形学习的Netflow数据降维方法,其特征在于:所述的步骤(4)中的约束目标函数模型J(A):
4.根据权利要求1或2所述的一种有监督判别流形学习的Netflow数据降维方法,其特征在于:所述的步骤(5)具体为:
步骤(5.1):采用拉格朗日数乘法,得到约束目标函数的解推导为如下特征值分解中前几个较大的特征值所对应的特征向量:
SNA=λSLA;
取前r个特征值所对应的的特征向量组成线性投影矩阵[A1,A2,...,Αr];
步骤(5.2):输出高维数据在低维空间的映射Yt=ATXt。
5.根据权利要求3所述的一种有监督判别流形学习的Netflow数据降维方法,其特征在于:所述的步骤(5)具体为:
步骤(5.1):采用拉格朗日数乘法,得到约束目标函数的解推导为如下特征值分解中前几个较大的特征值所对应的特征向量:
SNA=λSLA;
取前r个特征值所对应的的特征向量组成线性投影矩阵[A1,A2,...,Αr];
步骤(5.2):输出高维数据在低维空间的映射Yt=ATXt。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910644369.9A CN110490231A (zh) | 2019-07-17 | 2019-07-17 | 一种有监督判别流形学习的Netflow数据降维方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910644369.9A CN110490231A (zh) | 2019-07-17 | 2019-07-17 | 一种有监督判别流形学习的Netflow数据降维方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110490231A true CN110490231A (zh) | 2019-11-22 |
Family
ID=68547227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910644369.9A Pending CN110490231A (zh) | 2019-07-17 | 2019-07-17 | 一种有监督判别流形学习的Netflow数据降维方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490231A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364372A (zh) * | 2020-10-27 | 2021-02-12 | 重庆大学 | 一种有监督矩阵补全的隐私保护方法 |
CN113315757A (zh) * | 2021-05-10 | 2021-08-27 | 内蒙古工业大学 | 一种面向边缘计算的数据免解码传输方法 |
CN115878695A (zh) * | 2023-02-20 | 2023-03-31 | 中国民用航空局空中交通管理局航空气象中心 | 一种基于气象数据库的数据可视化调整方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573717A (zh) * | 2014-12-31 | 2015-04-29 | 南京理工大学 | 有监督的流形学习算法 |
CN107431663A (zh) * | 2015-03-25 | 2017-12-01 | 思科技术公司 | 网络流量分类 |
CN108520281A (zh) * | 2018-04-13 | 2018-09-11 | 上海海洋大学 | 一种基于全局与局部保持的高光谱图像半监督降维方法 |
-
2019
- 2019-07-17 CN CN201910644369.9A patent/CN110490231A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573717A (zh) * | 2014-12-31 | 2015-04-29 | 南京理工大学 | 有监督的流形学习算法 |
CN107431663A (zh) * | 2015-03-25 | 2017-12-01 | 思科技术公司 | 网络流量分类 |
CN108520281A (zh) * | 2018-04-13 | 2018-09-11 | 上海海洋大学 | 一种基于全局与局部保持的高光谱图像半监督降维方法 |
Non-Patent Citations (3)
Title |
---|
NING X, LI W J, TANG B, ET AL: "BULDP: biomimetic uncorrelated", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
吴云龙: "基于HMM的Netflow异常流量检测方法的研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
王超: "基于流形学习的有监督降维方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364372A (zh) * | 2020-10-27 | 2021-02-12 | 重庆大学 | 一种有监督矩阵补全的隐私保护方法 |
CN113315757A (zh) * | 2021-05-10 | 2021-08-27 | 内蒙古工业大学 | 一种面向边缘计算的数据免解码传输方法 |
CN113315757B (zh) * | 2021-05-10 | 2022-04-08 | 内蒙古工业大学 | 一种面向边缘计算的数据免解码传输方法 |
CN115878695A (zh) * | 2023-02-20 | 2023-03-31 | 中国民用航空局空中交通管理局航空气象中心 | 一种基于气象数据库的数据可视化调整方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11546359B2 (en) | Multidimensional clustering analysis and visualizing that clustered analysis on a user interface | |
He et al. | Software-defined-networking-enabled traffic anomaly detection and mitigation | |
WO2021171092A2 (en) | Treating data flows differently based on level of interest | |
Bala et al. | A review on kdd cup99 and nsl nsl-kdd dataset. | |
CN110490231A (zh) | 一种有监督判别流形学习的Netflow数据降维方法 | |
KR20080066653A (ko) | 완전한 네트워크 변칙 진단을 위한 방법 및 장치와 트래픽피쳐 분포를 사용하여 네트워크 변칙들을 검출하고분류하기 위한 방법 | |
US10218731B2 (en) | Method and system for data breach and malware detection | |
JPWO2007055222A1 (ja) | ネットワーク異常検知方法およびネットワーク異常検知システム | |
US20230012220A1 (en) | Method for determining likely malicious behavior based on abnormal behavior pattern comparison | |
CN106130806B (zh) | 数据层实时监控方法 | |
Iannucci et al. | A comparison of graph-based synthetic data generators for benchmarking next-generation intrusion detection systems | |
US11863584B2 (en) | Infection spread attack detection device, attack origin specification method, and program | |
Al-Sanjary et al. | Comparison and detection analysis of network traffic datasets using K-means clustering algorithm | |
CN109067778B (zh) | 一种基于蜜网数据的工控扫描器指纹识别方法 | |
Songma et al. | Classification via k-means clustering and distance-based outlier detection | |
Brandao et al. | Log Files Analysis for Network Intrusion Detection | |
Perona et al. | Service-independent payload analysis to improve intrusion detection in network traffic | |
CN113127904B (zh) | 一种访问控制策略智能优化系统及方法 | |
US20210152573A1 (en) | Cyberattack information analysis program, cyberattack information analysis method, and information processing apparatus | |
CN112055007B (zh) | 一种基于可编程节点的软硬件结合威胁态势感知方法 | |
CN110881022A (zh) | 一种大型网络安全态势检测分析方法 | |
Chang et al. | An efficient network attack visualization using security quad and cube | |
TWI704782B (zh) | 骨幹網路異常流量偵測方法和系統 | |
KR101573413B1 (ko) | 주성분 분석을 기반으로 하는 침입 탐지 장치 및 그 방법 | |
Azarkasb et al. | A network intrusion detection approach at the edge of fog |
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: 20191122 |
|
RJ01 | Rejection of invention patent application after publication |