基于小波变换的网络流量组合预测模型

为了提高网络流量的预测精度,利用小波变换、差分自回归移动平均模型和最小二乘支持向量机等优点,提出一种基于小波变换的网络流量预测模型(WA-ARIMA-LSSVM)。针对网络流量多尺度特性,首先对网络流量时间序列进行小波分解,然后分别采用差分自回归移动平均模型和最小二乘支持向量机对网络流量的高频和低频进行建模与预测,最后小波重构高频和低频的预测结果,并采用仿真实验对模型性能进行分析。结果表明,WA-ARIMA-LSSVM提高了网络流量的预测精度,可以更加准确地描述网络流量的非平稳变化趋势。     

网络异常流量检测综述

为了更加全面了解网络异常流量检测的相关方法和发展态势,更好地通过网络流量分析的方法增强网络安全,首先阐述了网络流量的定义和主流采集方法的原理,再针对网络流量中异常流量的定义和分类进行了总结。针对网络异常流量的特点,归纳了当前主流的网络异常流量检测方法,阐明网络异常流量检测过程中的关键问题和核心技术,进一步分析了网络异常流量检测的未来发展趋势。为异常网络流量检测研究提供了参考依据,也为网络安全研究提供了支持。     

网络异常流量检测方法

针对网络环境中可能导致网络流量异常的问题,归纳了当前主流的网络异常流量检测方法。通过阐明网络异常流量检测过程中的关键问题和核心技术,重点探讨了固定阈值、特征检测、统计分析、数据挖掘、云计算方法的原理和适用范围,对网络流量中异常流量的定义和分类进行了总结,介绍相关的研究进展,并分析异常流量检测的当前现状和发展前景。该分析结果为异常网络流量检测研究提供了参考依据,也为网络安全研究提供了支持。     

火力分配问题网络流量化分析

针对目前已有火力分配问题的整数规划模型,建立了运用网络图中的流量费用解决火力运用问题的模型。以导弹的分配去向作为弧的流量,以毁伤概率作为流量的费用。对特别情况下的火力运用问题的模型进行了说明,证明火力运用问题网络化是可实现的。此方法可以利用已有的网络流量计算方法,实例分析表明,此方法简单易行,具有一定的应用价值。     

基于Cacti的多出口网络流量监控应用与研究

网络流量监控是网络管理中必不可少的环节,分析了网络流量监控中常用方法的优劣,选择以SNMP的方式进行流量监控,同时详细介绍了Cacti开源软件的安装部署与配置过程,实现了本校多出口网络流量监控的目标,为多出口路由优化提供了数据依据与验证。     

SNMP计算机网络流量监控系统研究

随着第三次科技革命的爆发,世界各国在通讯科技领域已经得到了长足的发展和进步,网络应用已经遍布到了我们生活中的各个方面。计算机网络的流量形式已经变得更为复杂化,其中涉及到的相关网络内容也已经变得更为充实。对此,SNMP计算机网络流量监控系统就显得尤为必要了。SNMP计算机网络流量监控系统可以更为详尽邪恶对计算机网络流量进行系统监控以及综合管理,帮助广大网络用户在使用计算机网络时候更为便利。本文主要从SNMP计算机网络流量监控系统的基本原理进行阐述,并根据SNMP计算机网络流量监控系统的实际情况与用户所需相结合,对SNMP计算机网络流量监控系统的发展展开系统研究和探索。     

SMSC推出支持电源管理功能的全集成高速USB 2．0-to-Gigabit以太网产品

SMSC公司推出新产品LAN7500,这是一款领先业界的全集成高速USB 2．0-to-Gigabit以太网器件。LAN7500集成了10／100／1000物理层以及多项电源管理增强功能,其中“局域网唤醒（Wake on LAN）”模式能让系统进入低功耗状态,并在出现所需网络流量时唤醒系统,从而在待机期间节省资源。     

采用云计算技术的网络流量检测

为了实现对现网大数据网络流量的实时、有效检测,提出了一种基于云计算的网络流量检测方案。该方案充分利用Hadoop平台Map/Reduce编程模型在海量数据处理方面的优势,采用分层化的设计思想,克服了传统检测方案在海量数据应用环境中效率低下、可扩展性与安全性不足的缺点。重庆移动DPI平台应用表明,该方案较为有效,流量检测效果良好,在大数据处理时效率较普通分布式处理有明显提高。     

Method of data cleaning for network traffic classification

Network traffic classification aims at identifying the application types of network packets. It is important for Internet service providers （ISPs） to manage bandwidth resources and ensure the quality of service for different network applications However, most classification techniques using machine learning only focus on high flow accuracy and ignore byte accuracy. The classifier would obtain low classification performance for elephant flows as the imbalance between elephant flows and mice flows on Internet. The elephant flows, however, consume much more bandwidth than mice flows. When the classifier is deployed for traffic policing, the network management system cannot penalize elephant flows and avoid network congestion effectively. This article explores the factors related to low byte accuracy, and secondly, it presents a new traffic classification method to improve byte accuracy at the aid of data cleaning. Experiments are carried out on three groups of real-world traffic datasets, and the method is compared with existing work on the performance of improving byte accuracy. Experiment shows that byte accuracy increased by about 22.31% on average. The method outperforms the existing one in most cases.     

网络流量丢包率预测模型

无线信道的网络流量的及时预测,是目前国内外研究的前沿课题。通过对实时网络流量的测量分析,提出了一种基于最小二乘法的多项式拟合网络流量丢包率预测模型。该模型根据当前获得的网络流量信息,对网络丢包率趋势进行预测,为无线网络下信号丢包率的预测供了可行的手段。实测丢包率与预测丢包率的对比分析表明提出的预测模型能很好的预测丢包率趋势。