loading2019年第7期(总第199期)信息通信INFORMATION & COMMUNICATIONS2019(Sum. No 199)基于数理统计的网络运行异常数据挖掘模型构建潘东阳，刘静瑞(信FEI职业技术学院，数学与计算机科学学院，河南信阳464000)摘要:在当今信息化时代，对数据安全提出了更高要求。因此,提出基于数理统计的网络运行异常数据挖掘模型构建，包 括数据抽取、数据特征提取、异常数据挖掘。通过实验得出，文章设计模型对于异常数据的检测基本可以达到百分之八
十六以上，最高甚至可以达到百分之九十二，传统设计的正确率最高才百分之八十二，所以实验证明本文设计的基于数 理统计的网络运行异常数据挖掘模型具有较高有效性。关键词:数理统计；网络运行;异常数据;挖掘模型中图分类号:P413 文献标识码:A 文章编号：1673-1131(2019)07-0021-02便是选取数据表上出现的所有显示字段的附加属性值，或者 对其附加属性值进行一系列简单的运算,比方说EXCEL求和、 求平均值、求平方差、平方和等，或者直接使用表格、曲线图、
0引言异常数据检测技术主要是为了可以确保计算机系统的安 全运行而设计、配置的一种能够做到实时发现异常数据并向
系统及时报告未授权或异常数据出现的新型技术，是一种用
饼状图等来表示。于检测计算机网络运行过程中是否存在违反安全行为的技术叫
以往的异常数据检测系统在科学性、高效性和自适应性方面
数据泛化具体指的是多维数据分析方法以及面向数据
附加属性的归纳方法。多维数据分析方法具体代表一种数
均存在一定程度的缺陷。目前对于数据处理手段除了云计算
以外，通过数学计算法对其进行一定程度的处理也是一种比 较常用的方法叫借助于数理统计对数据进行相关处理操作,
据存储技术,我们也可以称之为联机分析处理法(OKAT)。 它主要是把人们感兴趣的统计结果事先储存在数据结果集
合中，适用于抽取大型数据库。面向数据附加属性的归纳
主要是为了便于寻找异常数据之间存在的一系列规律，之后
方法，指的是计算机网络直接对用户感兴趣的数据视图进
行泛化处理，并不像多维数据分析方法那样事先对泛化数据
从中提取出有效的信息，大大提高了对数据的使用效率与应
用价值。针对这些缺点，将数理统计的方法运用到以往的入 侵检测系统中，对现行模型进行一定程度的优化，从而提高检
进行一定数目的储存，原始关系通过泛化处理后获取到一个
泛化关系。它代表的是从高层次上预先总结了底层次上存
测的正确率。在的原始关系，得到一定规律的泛化关系以后，就能够对它
1基于数理统计的网络运行异常数据挖掘模型构建
进行一系列的深度处理，进而生成满足网络用户需求的内 容。1.1数融取一个完整的数据挖掘中数据抽取作为网络运行异常数据 挖掘过程中比较关键的一个环节，它直接影响到了最终采样
数据的优劣，挖掘流程见下图。1.2利用聚类算法把数据源中的全部数据分成正常动作数 据与异常动作数据2种,操作结果中存在的正常动作数据比 较多，异常动作数据则出现的比较少，而且还有相当一部分
的中间动作数据难以区别，之后再釆取关联规律、排序挖掘 算法对中间动作数据进行相关处理。现在学界研究中绝大
部分是釆取Aprepem算法进行关联规律的一系列挖掘,Ap-
repem算法只是单纯地根据事先安排好的支持度下限去进
图1数据挖掘流程而数据抽取主要有以下几个方面:首先，需要从数目繁多
行关联规律进行挖掘，并不能够完全做到保障规律的科学 性、自适应性,所以就需要临时设定一些程序的限制条件，以
的数据源中去勘察异常数据挖掘所需数据样品。其次，就是
需要从现存的数据源中派生出来挖掘模型所需要的重要参考 指标[3]。数据抽取过程中一个至关重要的环节便是选取恰当 的数据源。经典的也是最常用、最方便操作的数据抽取手段
此来确保挖掘出的关联规律具备有网络用户应用特征的必
备特征。限制条件用兴趣度I表示。而一般兴趣度P则用下列公 式求出：[3] J.R.Quinlan.An empirical comparison of genetic and deci-
sion-tree classifiers.inProc.1988 Int.ConfMachine Learning (ICML%8),pp.l35?141,AnnArbor,MI,June 1988.[4] Gorunescu F, Gorunescu M, Saftoiu A, et al. Competitive/
collaborative neural computing system for medical diag-nosis in pancreatic cancer detection [J], Expert Systems, 2011,28(1):33-48.[5] 栾丽华，吉根林.决策树分类技术研究[几计算机工程,
2004, 30(9).[6] Mitchell H B, Schaefer P A. A \ K - nearest neighbor
voting scheme [J]. International Journal of Intelligent Sys-tems, 2001.[7] 丁世飞，齐丙娟,谭红艳.支持向量机理论与算法研究综
述[J].电子科技大学学报,2011,40(1):2-10.作者简介:孔德锋(1988-),男，湖北黄石人，硕士，研究方向:机 器学习。21