大数据的分布式网络入侵实时检测仿真

摘要：

对大数据的分布式网络入侵的检测,能够有效遏制网络犯罪现象.对网络入侵的实时检测,需要对入侵的数据进行分类,进而对样本子集进行随机的重复采样,完成大数据下分布式网络入侵实时检测.传统方法设计三维多层空间可视化模型,开发检测分析原型,但忽略了对入侵数据进行随机采样,导致检测精度偏低.提出基于K-NN分类的分布式网络入侵实时检测方法.首先对大数据分布式网络的数据进行特征提取,采用自适应的搜索方法,利用神经网络的神经元种群间的进化差异度的变小进行特征提取,对分布式网络入侵的数据进行分类,在大数据的数据训练集中对训练样本的子集进行随机的重复采样,依据K个邻域的数据在数据类别中的数目对构建的置信指派进行加权,完成对大数据的分布式网络入侵实时检测.实验结果表明,所提方法能有效地遏制犯罪现象的发生.

关键词：大数据、分布式网络、入侵检测

所属期刊栏目：35

分类号：TP393(计算技术、计算机技术)

在线出版日期：2018-05-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：267-270