Fuzzy Based Diagnostics System for Identifying Network Traffic Flow Anomalies
Gobithasan Rudrusamy, Azrudin Ahmad, Rahmat Budiarto, Azman Samsudin, Sureswaran Ramadass
本文讨论了网络流量特性在被动网络监控中的应用，用于识别和识别网络异常。
This paper discusses the usage of network traffic properties in passive network monitoring which are used in recognizing and identifying anomaly.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
Network Traffic Anomalies Detection and Identification with Flow Monitoring
网络管理与安全是当前网络安全领域中最具活力的研究领域之一，其中异常检测与识别的研究引起了人们的极大兴趣。研究人员仍在努力寻找一种有效且轻量级的异常检测方法。在本文中，我们提出了一个简单的，鲁棒的方法，检测网络异常流量数据的流量监测的基础上。我们的方法基于监控四个预定义的度量，捕获网络的流量统计数据。为了证明新方法的强大功能，我们构建了一个应用程序，使用我们的方法检测网络异常。实验结果表明，利用这四个简单的流量度量，不仅可以有效地检测网络流量异常，而且可以识别网络流量异常。
Anomaly Detections in Internet traffic Using Empirical Measures
介绍了基于大偏差结果的互联网流量异常检测机制，并进行了实证分析.使用过去的流量跟踪，我们在不同的时间间隔的网络流量的特点，假设它是无异常。在整个过程中，我们比较了这两种方法，展示了它们的优点和缺点，以识别和分类时间网络异常。我们还演示了如何使用我们的框架来监控流量从多个网络元素，以确定空间和时间的异常。我们验证我们的技术，通过分析真实的交通痕迹与时间戳异常。
The Potential of Erroneous Outbound Traffic Analysis to Unveil Silent Internal Anomalies
本文通过分析错误出站流量，揭示内部网络中未被发现的安全威胁和网络问题，提供了一种新的被动测量视角。
An Intelligent Call Admission Control Decision Mechanism for Wireless Networks
呼叫接纳控制（CAC）是无线资源管理（RRM）技术中的一种，它在保证具有不同服务质量（QoS）要求的不同应用的用户所期望的服务质量（QoS）方面起着重要的作用。提出了一种基于模糊神经网络的多类业务下一代无线网络（NGWN）的呼叫接纳控制方法。提出的模糊神经呼叫接纳控制（FNCAC）方案是一个综合的CAC模块，它结合了模糊逻辑控制器的语言控制能力和神经网络的学习能力，该模型基于递归径向基函数网络（RRBFN）该模型具有较好的学习性和适应性，可用于开发异构网络中的智能流量处理系统环境建议FNCAC可以实现降低呼叫阻塞概率保持在最佳水平的资源利用率。在所提出的算法中，我们考虑了三个类的流量具有不同的QoS要求。我们已经考虑了异构网络环境，可以有效地处理这种流量。本研究所采用的业务类别为会话业务、交互业务和后台业务，这些业务具有不同的QoS参数。本文还提出了CAC的分析模型，比较了两种模型中三类业务的呼叫阻塞率。仿真结果表明，与基于模糊逻辑的CAC、传统CAC相比，FNCAC算法在呼叫阻塞率最小的情况下具有更好的性能。
Use of social network is the basic functionality of today's life. With the advent of more and more online social media, the information available and its utilization have come under the threat of several anomalies. Anomalies are the major cause of online frauds which allow information access by unauthorized users as well as information forging. One of the anomalies that act as a silent attacker is the horizontal anomaly. These are the anomalies caused by a user because of his/her variable behaviour towards different sources. Horizontal anomalies are difficult to detect and hazardous for any ne…
A Trust Based Fuzzy Algorithm for Congestion Control in Wireless Multimedia Sensor Networks (TFCC)
网络拥塞已经成为资源受限的无线传感器网络（WSNs）的一个关键问题，特别是对于需要传输大量多媒体数据的无线多媒体传感器网络（WMSNs）。如果流量负载大于传感器网络的可用容量，则会发生拥塞，并导致缓冲区溢出、丢包、网络吞吐量和服务质量（QoS）恶化。同样，网络的故障节点也会通过扩散无用的数据包或多次重传相同的数据包来加剧拥塞。这导致能量的浪费和网络寿命的减少。针对这一问题，提出了一种新的拥塞控制算法，该算法利用信任度的概念来识别故障节点并阻止其进行数据通信。WMSN中的所有节点的信任度是通过使用两阶段的模糊推理计划。通过实施链路状态路由协议来优化从源到宿的流量。传感器节点的拥塞控制的基础上的优先级的业务流量的速率进行调节。最后，我们比较了我们的协议与其他现有的拥塞控制协议，以显示工作的优点。
In this paper, we propose a novel approach, called SENATUS, for joint traffic anomaly detection and root-cause analysis. Inspired from the concept of a senate, the key idea of the proposed approach is divided into three stages: election, voting and decision. At the election stage, a small number of \nop{traffic flow sets (termed as senator flows)}senator flows are chosen\nop{, which are used} to represent approximately the total (usually huge) set of traffic flows. In the voting stage, anomaly detection is applied on the senator flows and the detected anomalies are correlated to identify the m…
We present a method to detect anomalies in a time series of flow interaction patterns. There are many existing methods for anomaly detection in network traffic, such as number of packets. However, there is non established method detecting anomalies in a time series of flow interaction patterns that can be represented as complex network. Firstly, based on proposed multivariate flow similarity method on temporal locality, a complex network model (MFS-TL) is constructed to describe the interactive behaviors of traffic flows. Having analyzed the relationships between MFS-TL characteristics, tempor…
CareNet: Linking Home-router Network Traffic to DSM-5 Depressive Behavior Indicators
针对现有数字心理健康感知依赖侵入性设备的问题，提出路由器端本地运行的CareNet系统，通过FASL方法将网络元数据转化为符合DSM-5的可解释抑郁行为指标，无需检测流量载荷即可实现隐私友好的行为推断。
It is difficult to implement an efficient detection approach for Intrusion Detection Systems (IDS) and many factors contribute to this challenge. One such challenge concerns establishing adequate boundaries and finding a proper data source. Typical IDS detection approaches deal with raw traffics. These traffics need to be studied in depth and thoroughly investigated in order to extract the required knowledge base. Another challenge involves implementing the binary decision. This is because there are no reasonable limits between normal and attack traffics patterns. In this paper, we introduce a…
Estimating Traffic and Anomaly Maps via Network Tomography
映射源-目的地（OD）网络流量对于网络管理和主动安全任务至关重要。然而，缺乏足够的流量水平测量以及潜在的异常对这一目标构成了重大挑战。利用名义流量的时空相关性和异常的稀疏性，本文提出了一种新的框架来映射出名义流量和异常流量，它将共同重要的网络监测任务，包括流量估计，异常检测和流量插值。为此，首先制定了一个凸计划与核和$\ell_1$ -范数正则化，以实现稀疏性和低秩的标称和异常流量，只有链路计数和OD流计数的{ \it小}子集。分析和仿真证实，所提出的估计可以{ \em精确}恢复足够低维的标称流量和零星的异常，只要路由路径是充分的“展开”在网络上，和足够数量的流计数随机采样。结果提供了有价值的见解有关数据采集策略和网络的带宽，从而产生准确的流量估计。对于实际的网络中，上述条件可能会被违反，固有的时空交通模式考虑到采用贝叶斯方法，随着核和$\ell_1$规范的双线性特征。由此产生的非凸计划涉及二次正则相关矩阵，学习系统（循环）平稳的历史数据。交替最小化为基础的算法与可证明的收敛性也被开发，以获得的估计。有见地的测试与合成和真实的互联网数据证实了新方案的有效性。
Detecting Contextual Network Anomalies with Graph Neural Networks
本文提出基于 GNN 的网络流量上下文异常检测方法，在 Abilene 六个月真实数据上相较 PCA、EWMA、RNN 展现出互补检测能力，并经专家验证与案例分析确认其有效性。
Adaptive algorithms for identifying large flows in IP traffic
本文提出了一种基于Bloom过滤器的在线算法，用于识别IP流量中的大流量（a.k.a.大象）。由于大量的小流，这些算法的哈希表必须定期刷新。认识到技术文献中通常使用的周期性擦除方案在很长一段时间内使用真实的流量跟踪时是相当低效的，我们引入了一个简单的自适应方案，密切关注流量的变化。当测试对真实的交通痕迹，建议的在线算法表现良好的意义上说，在很长一段时间内的算法的检测率长流量是相当高的。除了大象的识别之外，这类算法还应用于IP流量中异常检测的密切相关问题，例如，例如，由于攻击而导致的SYN洪水。设计了一种检测网络流量中SYN和流量泛滥异常的算法。实验表明，在不到一分钟的时间内检测到异常，同时识别出目标目的地。
A QoS Provisioning Recurrent Neural Network based Call Admission Control for beyond 3G Networks
呼叫接纳控制（CAC）是无线资源管理（RRM）技术中的一种，在下一代网络中对保证用户和应用所需的服务质量（QoS）起着重要作用。提出了一种基于模糊神经网络的多类业务下一代无线网络（NGWN）的呼叫接纳控制决策方法。建议的模糊神经呼叫准入控制（FNCAC）计划是一个综合的CAC模块，结合了语言控制能力的模糊逻辑控制器和学习能力的神经网络。该模型是基于递归径向基函数网络，具有更好的学习和适应性，可用于开发智能系统，以处理在异构网络环境中的传入流量。仿真结果表明，FNCAC算法的性能优于其他两种方法，并且与其他两种方法相比，呼叫阻塞率最小。
Dynamic Anomalography: Tracking Network Anomalies via Sparsity and Low Rank
在大规模网络的骨干中，源到目的地（OD）业务流经历称为业务量异常的突然异常变化，这可能导致拥塞并限制满足最终用户服务质量要求的程度。为了在动态环境中保持无缝的终端用户体验，同时也为了保证网络安全，本文研究了一种称为动态异常图的关键网络监控任务。给定链路流量测量（未观察到的OD流的噪声叠加）定期获得的骨干路由器，目标是构建一个估计的异常实时的地图，从而总结了网络的“健康状态”沿流量和时间维度。利用OD流的低固有维数和异常的稀疏性，提出了一种新的在线估计的基础上，指数加权最小二乘准则与稀疏促进$\ell_1$ -范数的异常，和标称流量矩阵的核范数正则化。在将不可分离的核范数转换成适合在线优化的形式后，开发了一种动态异常图的实时算法，并在简化的技术假设下建立了其收敛性。对于操作条件下的计算复杂性减少是在溢价，一个轻量级的随机梯度算法的基础上Nesterov的加速技术，以及开发。综合的数值测试与合成和真实的网络数据证实了所提出的在线算法的有效性和跟踪能力，并证明他们优于国家的最先进的方法来诊断交通异常。
Detecting Clusters of Anomalies on Low-Dimensional Feature Subsets with Application to Network Traffic Flow Data
在各种应用中，人们希望检测异常数据样本的组，其中一个组潜在地在完整测量的特征集的低维子集上表现出其相似性（相对于参考模型）。样本可能只是弱非典型的个别，而他们可能是强烈的非典型时，共同考虑。是什么使得这个组异常检测问题相当具有挑战性的是，它是一个先验未知的特征的子集共同体现了一个特定的异常组。此外，不知道在给定的数据批次中存在多少异常组。在这项工作中，我们开发了一个组异常检测（GAD）计划，以确定样本的子集和子集的功能，共同指定一个异常的集群。我们将我们的方法应用于网络入侵检测，以检测僵尸网络和对等流集群。与以前的研究不同，我们的方法捕获和利用测量功能之间可能存在的统计依赖关系。真实世界的网络流量数据的实验表明，我们所提出的系统的优势，并强调利用特征依赖结构的重要性，相比以前的研究中的特征（或测试）的独立性假设。
Fuzzy Logic Control Based QoS Management in Wireless Sensor/Actuator Networks
无线传感器/执行器网络（WSANs）作为新一代传感器网络正在迅速兴起。尽管对无线传感器网络（WSNs）进行了深入的研究，但在WSAN领域的公开文献中发现的工作有限。特别是，在WSAN的服务质量（QoS）管理仍然是一个重要的问题有待研究。作为这一方向的尝试，本文提出了一种基于模糊逻辑控制的QoS管理（FLC-QM）方案，用于资源受限、动态和不可预测环境中的WSAN。该方案利用反馈控制技术，解决了网络流量不可预测的变化对网络QoS的影响。它利用一个模糊逻辑控制器内的每个源传感器节点，以适应采样周期的最后期限错过率与数据传输从传感器到执行器。最后期限错过率保持在预定的期望水平，使得可以实现所需的QoS。FLC-QM具有通用性、可扩展性和简单性的优点。仿真结果表明，FLC-QM能够为WSAN提供QoS支持。
Recovery of Low-Rank Plus Compressed Sparse Matrices with Application to Unveiling Traffic Anomalies
给定一个低秩矩阵的叠加加上一个已知的脂肪压缩矩阵乘以稀疏矩阵的产品，本文的目标是建立确定性的条件下，精确恢复的低秩和稀疏的组件成为可能。这一基本的可识别性问题与骨干网络中的流量异常检测有关，并包含压缩感知以及矩阵分解问题中遇到的及时低秩稀疏矩阵恢复任务。利用$\ell_1$ -和核范数恢复稀疏和低秩矩阵的能力，制定了一个凸规划来估计未知数。分析和仿真证实，所述凸程序可以恢复足够低的秩和足够稀疏的分量的未知数，随着压缩矩阵具有等距属性时，限制操作稀疏向量。当低秩、稀疏和压缩矩阵是从某些随机集合中提取时，可以确定精确的恢复是可能的，具有很高的概率。一阶算法被开发来解决具有可证明的迭代复杂性保证的非光滑凸优化问题。对合成和真实网络数据的深入测试证实了这种新方法在揭示流量和时间异常方面的有效性，以及其优于现有替代方案的能力。
Cloud computing is one of the highly flexible, confidential and easily accessible medium of platforms and provides powerful service for sharing information over the Internet. Cloud security has become an emerging issue as network manager eventually encounter its data protection, vulnerability during information exchange on the cloud system. We can protect our data from unwanted access on a hybrid cloud through controlling the respective firewall of the network. But, the firewall has already proved its weakness as it is unable to ensure multi-layered, secured accessibility of the cloud network.…
In this paper, we propose a novel algorithm to detect anomaly in terms of Key Parameter Indicators (KPI)s over live cellular networks based on the combination of Recurrent Neural Networks (RNN), and Convolutional Neural Networks (CNN), as Recurrent Convolutional Neural Networks (R-CNN). CNN models the spatial correlations and information, whereas, RNN models the temporal correlations and information. In this paper, the studied cellular network consists of 2G, 3G, 4G, and 4.5G technologies, and the KPIs include Voice and data traffic of the cells. The data and voice traffic are extremely import…
Impact of two-level fuzzy cluster head selection model for wireless sensor network: An Energy efficient approach in remote monitoring scenarios
在过去的十年中，无线传感器网络的强大的应用已经增加，由于潜在的使用无线节点的信息传输，通过减少延迟的监视和监测。该研究提出了一种节能的动态场景（EEDS）的簇头分配的最佳平衡，在整个网络的能源消耗，将延长网络的生命周期，在一个有效的方式。提出了一种基于节点定位和网络流量的两级模糊逻辑簇头选择算法。在较高的决策水平称为全球水平的资格导致更好的性能的推理系统的基础上，所有上述六个模糊参数建立一个能源效率的网络模型。我们开发了一种算法来计算整个网络的能量，如果源和目的地是已知的。我们评估的成本和效益的数据融合，以适应性地调整是否应进行融合，以最大限度地减少总能耗时，能源效率的节点调度迁移到另一个节点。仿真结果表明，EEDS给出了最好的性能方面的网络生命时间密度和剩余能量的节点。
Network Traffic Decomposition for Anomaly Detection
在本文中，我们专注于检测网络异常，如拒绝服务（DoS）攻击和端口扫描在一个统一的方式。虽然在网络异常检测方面已经有了大量的研究，但目前最先进的方法只能以牺牲其他异常为代价来检测一类异常。我们将使用的关键工具是基于轨迹/汉克尔矩阵的谱分解，该矩阵能够检测所观察到的网络流量数据中存在的相关性之间和内部的偏差。对合成和真实网络痕迹的详细实验表明，与竞争方法相比，检测能力有了显着提高。在这个过程中，我们还解决了异常检测系统的鲁棒性问题的原则方式。
Internet Traffic Matrix Structural Analysis Based on Multi-Resolution RPCA
互联网流量矩阵在网络运营和管理中起着重要的作用，因此，对网络流量矩阵进行结构分析，将其分解为不同的流量分量，对网络应用具有重要的意义。基于鲁棒主成分分析（RPCA）理论，提出了一种基于小波多分辨率分析的流量矩阵结构分析方法--多分辨率RPCA。首先，我们建立了多分辨率流量矩阵分解模型（MR-TMDM），它通过小波系数来表征确定性流量的平滑性。其次，在此模型的基础上，对稳定主成分追踪（SPCP）进行了改进，提出了一种新的多分辨率约束下的流量矩阵分解方法SPCP-MRC，并设计了其数值算法。具体地，我们给出并证明了算法中一个子问题的封闭解。最后，我们评估不同的流量分解方法，通过多组模拟的流量矩阵包含不同类型的异常和不同的噪声水平。实验结果表明，与其他方法相比，SPCP-MRC方法能够实现更准确、更合理的流量分解。
Future Connected and Automated Vehicles (CAV), and more generally ITS, will form a highly interconnected system. Such a paradigm is referred to as the Internet of Vehicles (herein Internet of CAVs) and is a prerequisite to orchestrate traffic flows in cities. For optimal decision making and supervision, traffic centres will have access to suitably anonymized CAV mobility information. Safe and secure operations will then be contingent on early detection of anomalies. In this paper, a novel unsupervised learning model based on deep autoencoder is proposed to detect the self-reported location ano…
Structural Analysis of Network Traffic Matrix via Relaxed Principal Component Pursuit
网络流量矩阵在网络运营管理中有着广泛的应用。因此，分析网络流量矩阵的组成和结构至关重要，为此提出了几种数学方法，如主成分分析（PCA）。在本文中，我们首先认为，PCA分析流量矩阵是由大量的异常污染表现不佳，然后提出了一个新的分解模型的网络流量矩阵。根据该模型，我们通过将网络流量矩阵分解为三个子矩阵，即确定性流量、异常流量和噪声流量矩阵来进行结构分析，这类似于先前在[13]中研究的鲁棒主成分分析（RPCA）问题。基于松弛主成分追踪（Relaxed PCP）方法和加速邻近梯度（Accelerated Proximal Gradient，APG）算法，提出了一种分解流量矩阵的迭代方法，并通过实验验证了该方法的有效性和灵活性。最后，我们进一步讨论了确定性和噪声业务的几个特点。我们的研究开发了一种新的方法的流量矩阵的结构分析问题，这是强大的大体积异常的污染。
On the Utility of Anonymized Flow Traces for Anomaly Detection
网络痕迹的共享是开发和评估高效异常检测机制的重要前提。不幸的是，隐私问题和数据保护法律阻止网络运营商共享这些数据。在这种情况下，防病毒化是一种很有前途的解决方案;然而，目前还不清楚数据的清理是否保留了流量特征或引入了可能伪造流量分析结果的伪像。在本文中，我们研究了异常检测的匿名流迹的效用。我们定量评估的IP地址匿名化，即变化的排列和截断，对大规模的异常的可检测性的影响。具体来说，我们分析了三个星期的未采样和非匿名的网络痕迹，从一个中型骨干网络。我们发现，所有的匿名化技术，除了前缀保留置换，降低了异常检测数据的效用。我们表明，退化的程度在很大程度上取决于存在于一个跟踪异常的性质和组合。此外，我们提出了一个案例研究，说明了如何通过匿名化扭曲个别主机的流量特征。
Despite the robust structure of the Internet, it is still susceptible to disruptive routing updates that prevent network traffic from reaching its destination. Our research shows that BGP announcements that are associated with disruptive updates tend to occur in groups of relatively high frequency, followed by periods of infrequent activity. We hypothesize that we may use these bursty characteristics to detect anomalous routing incidents. In this work, we use manually verified ground truth metadata and volume of announcements as a baseline measure, and propose a burstiness measure that detects…
IoT Network Traffic Analysis with Deep Learning
针对物联网网络异常检测难题，本文综述了深度学习应用，并基于KDD Cup 99数据集构建集成模型，实现超过98%的检测准确率。
Analysis of Inter-Domain Traffic Correlations: Random Matrix Theory Approach
利用随机矩阵理论（RMT）研究了路易斯维尔大学网络中骨干路由器互连和虚拟局域网（VLAN）数目对网络流量行为的影响。我们采用系统的等间隔时间序列的流量计数在所有路由器到路由器和路由器到子网连接作为VLAN间流量的表示。计算了不同流量时间序列之间流量变化的互相关矩阵C，并对随机交互作用的零假设进行了检验。矩阵C的大部分特征值λ i落在随机相关矩阵特征值的RMT预测的范围内。RMT边界外的特征值和特征向量的分布显示出与RMT预测的显著和系统性偏差。此外，这些偏差在时间上是稳定的。我们使用的方法提供了一个独特的可能性，以完成三个并发任务的流量分析。该方法通过建立随机交互的简档来验证网络的非拥塞状态。它通过建立时间上稳定的非随机相互作用的轮廓来识别系统特定的大尺度相互作用。最后，通过研究特征统计，我们能够检测和分配网络流量交互的异常。
Adaptive Measurement-Based Policy-Driven QoS Management with Fuzzy-Rule-based Resource Allocation
固定和无线网络正日益向基于IP的核心网络的共同连接融合。在这种复杂的异构融合网络场景中提供有效的端到端资源和QoS管理，需要统一的，自适应的和可扩展的解决方案，以集成和协调不同接入技术的QoS机制与基于IP的QoS。基于策略的网络管理（PBNM）是可以用来解决这一挑战的一种方法。因此，我们的项目中提出了一个基于策略的融合网络端到端QoS管理框架CNQF（融合网络QoS管理框架）。在本文中，CNQF架构，其原型和实验验证的关键要素的Java实现进行了讨论。然后，我们提出了一个基于模糊的CNQF资源管理方法和研究我们的实现与真实的交通流量的实验测试平台上的性能。结果表明，我们的资源自适应方法的实际PBNM系统的有效性。
MamNet: A Novel Hybrid Model for Time-Series Forecasting and Frequency Pattern Analysis in Network Traffic
本文提出混合模型 MamNet，结合 Mamba 时域建模与傅里叶变换频域特征提取，并在 UNSW-NB15 和 CAIDA 数据集上验证其网络流量异常检测性能优于主流模型。
A Transfer Learning Framework for Anomaly Detection in Multivariate IoT Traffic Data
本文提出一种无需任何标注数据的无监督迁移学习框架，用于多变量物联网流量时间序列异常检测，并在新型入侵检测数据集上验证其优于现有方法。
Five Blind Men and the Internet: Towards an Understanding of Internet Traffic
本文通过分析全球472个互联网交换点的两年数据，揭示了全球互联网流量增长趋势及地域性流量模式，为长期监控提供可验证的基础。
A Hybrid Cluster-Based Classification Model for Anomaly Detection in Unbalanced IoT Networks
本文提出了一种混合聚类分类模型，通过将训练数据分成三个不同的流量配置文件聚类，并在每个聚类上训练和评估多个基线机器学习模型，以提高物联网网络中异常检测的准确性。
This paper aims at precisely detecting and identifying anomalous events in IP traffic. To this end, we adopt the link stream formalism which properly captures temporal and structural features of the data. Within this framework, we focus on finding anomalous behaviours with respect to the degree of IP addresses over time. Due to diversity in IP profiles, this feature is typically distributed heterogeneously, preventing us to directly find anomalies. To deal with this challenge, we design a method to detect outliers as well as precisely identify their cause in a sequence of similar heterogeneous…
Understanding network health is essential to improve Internet reliability. For instance, detecting disruptions in peer and provider networks facilitates the identification of connectivity problems. Currently this task is time consuming for network operators. It involves a fair amount of manual observation because operators have little visibility into other networks. In this paper we leverage the RIPE Atlas measurement platform to monitor and analyze network conditions. We propose a set of complementary methods to detect network disruptions from traceroute measurements. A novel method of detect…
Denial of Service Attack: Analysis of Network Traffic Anormaly using Queuing Theory
在过去几年中，拒绝服务（DOS）攻击越来越受到人们的关注。随着互联网变得越来越普遍，拒绝服务攻击的威胁对个人、企业、政府组织甚至国家来说变得更加现实和重要。迫切需要尽快检测到正在进行的攻击。在目前的工作中，诊断的DOS攻击使用排队论的概念和系统的性能参数的效率进行了研究，因为服务器肯定有一些机制来存储和处理的请求。利用排队论的这一概念，生成数据模式的集合。结合系统的性能参数，对数据模式进行分析，诊断网络异常。性能分析和实验结果表明，该方案在检测异常的准确性。
DoS and DDoS attacks have been growing in size and number over the last decade and existing solutions to mitigate these attacks are in general inefficient. Compared to other types of malicious cyber attacks, DoS and DDoS attacks are particularly more challenging to combat. With their ability to mask themselves as legitimate traffic, developing methods to detect these types of attacks on a packet or flow level, has proven to be a difficult task. In this paper, we explore the potential of Variational Autoencoders to serve as a component within an intelligent security solution that differentiates…
Comparative Analysis of Deep Learning Models for Real-World ISP Network Traffic Forecasting
本研究在真实ISP网络数据集CESNET-TimeSeries24上对比前沿深度学习模型的流量预测效果，明确不同粒度下精度与效率的平衡，建立可复现方法并提供研究基准。
Which Deep Learner? A Systematic Evaluation of Advanced Deep Forecasting Models Accuracy and Efficiency for Network Traffic Prediction
本文系统评估了十二种先进深度预测模型在网络流量预测中的准确性和效率，揭示了性能范围、效率阈值及平衡准确与效率的架构。
A Framework for the Systematic Assessment of Anomaly Detectors in Time-Sensitive Automotive Networks
本文提出一个基于仿真工具链的评估框架，用于在车载时间敏感网络中系统化、可复现地评估网络异常检测系统，并通过综合车载网络实验揭示了TSN流量与异常类型组合对检测性能的影响。
This paper addresses network anomography, that is, the problem of inferring network-level anomalies from indirect link measurements. This problem is cast as a low-rank subspace tracking problem for normal flows under incomplete observations, and an outlier detection problem for abnormal flows. Since traffic data is large-scale time-structured data accompanied with noise and outliers under partial observations, an efficient modeling method is essential. To this end, this paper proposes an online subspace tracking of a Hankelized time-structured traffic tensor for normal flows based on the Cande…
An advanced scheme for queue management inTCP/IP networks
针对传统AQM忽略流特性导致公平性不足的问题，提出基于模糊逻辑和显式RTT通知的FuzzyRTT控制器，利用流RTT信息改善公平性，仿真验证其性能优于现有方案。
PCAP-Backdoor: Backdoor Poisoning Generator for Network Traffic in CPS/IoT Environments
本文提出PCAP-Backdoor技术，针对CPS/IoT网络流量数据集进行后门投毒攻击，仅投毒1%训练数据即可使模型误分类，且难以被现有防御技术检测。
In the authors' opinion, anomaly detection systems, or ADS, seem to be the most perspective direction in the subject of attack detection, because these systems can detect, among others, the unknown (zero-day) attacks. To detect anomalies, the authors propose to use machine synesthesia. In this case, machine synesthesia is understood as an interface that allows using image classification algorithms in the problem of detecting network anomalies, making it possible to use non-specialized image detection methods that have recently been widely and actively developed. The proposed approach is that t…
Research on Cloud Platform Network Traffic Monitoring and Anomaly Detection System based on Large Language Models
本研究提出一种基于大语言模型的云平台网络流量监控与异常检测系统，融合Transformer注意力机制和迁移学习，在无需大量标注数据下提升检测精度与效率，有效识别零日攻击等异常并降低误报率。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。