網路流量異常數據集

Ⅰ 寬頻數據流量異常超高

你看看你的任務管理器，裡面是否有某個進程在你游戲時打開並佔用了很多CPU和內存。在你游戲結束後看看這個進程是不是仍舊在通信。把該進程結束就不卡了應該。

Ⅱ 查不了流量為啥，總是提示網路異常。。。。。網路是正常的 啊

如您無法查詢到聯通手機號碼的上網流量信息的話，建議您可通過以下的條件排查： 1、您使用的套餐不支持通過聯通網上營業廳或手機客戶端查詢流量信息； 2、手機處於不正常的狀態影響查詢； 3、查詢的方法有誤，如指令發送錯誤，您可檢查清楚操作是否有誤； 4、系統繁忙導致，如網站操作當前訪問的人數較多以致系統繁忙，您可以稍後再試。 如排除以上情況還未解決，您可聯系歸屬地人工客服核查清楚具體原因。

———————————————
【活動推薦】
優惠大贈送！4G全國套餐存費送優惠、4G全國組合套餐流量話費包長期8折、全國流量半年包8折勁減！還等什麼，點擊下列相應鏈接進行辦理吧!
【4G全國套餐】：http://t.cn/RU3lGqP
【4G全國組合套餐】：http://t.cn/RU3lGr0
【全國流量半年包】：http://t.cn/RU3lqpB
【4G主副卡】：http://www.10010.com/02upy

Ⅲ 系統檢測到異常流量，如何解決

1.短線重撥；

2.要麼聯系網管解決，要麼自行使用代理伺服器；

3.不用或者更換代理伺服器；

4.重新進行寬頻撥號或者重啟路由器獲得一個新IP。

Ⅳ 系統檢測到您的計算機網路中存在異常流量怎麼處理

您好
可能是某個軟體持續上傳或者下載
佔用了大部分寬頻
建議你在騰訊電腦管家工具箱——流量監控中查看一下各個軟體的流量使用情況
希望可以幫到您，望採納

Ⅳ 使用Netflow進行的一次異常網路流量的分析

          Netflow是一種Cisco開發的基於流的流量分析技術，其中每條流主要包含以下欄位， 源IP地址，目的IP地址，源埠號，目的埠號，IP協議號，服務類型，TCP標記，位元組數，介面號等 ，所以一條流就是網路上的一次連接或者會話。Netflow可以採集進出埠的所有流量，通過分析這些數據，網路管理員可以確認一些事情，比如源和目標的流量，網路擁塞的原因等。Netflow採集的數據除了存放在本地的cache中，也可以採用UDP協議的9996埠輸送給第三方的Netflow分析器，藉助可視化的分析工具可以快速排錯。Netflow是一個輕量級的分析工具，它只取了報文中的一些重要欄位而沒有包含原始數據，如果要對數據進行深度分析還得抓包。下圖是用wireshark抓包工具抓到的Netflow原始報文，見（圖一）：

        邊界路由器出口的流量異常增大，平時埠的流入速率為1.5-2Mbps，突然陡增到30-40Mbps，見（圖二）

分析應用流量分布，發現排名第一的應用竟然是ICMP（圖三），第一反應是網路遭到Ping of death攻擊，接著對ICMP應用的來源和目的進行分析，發現兩個疑點，一個是本端邊界路由器的IP與遠端互聯設備的IP源發出的流量最多，見（圖四）；另一個是邊界路由器上有大量目標非本地網路的流量；從第一點的現象看，好像存在路由環；從第二點的現象看是有一條匯總路由指向這台邊界路由器。登錄路由器查看路由表和配置，發現自己在引入路由時由於疏忽把一條匯總路由誤引入到了錯誤的路由區域中，導致了整個企業網上的未知流量都向邊界路由器上來回丟，直到icmp報文的ttl值耗盡才被丟棄。問題解決辦法是在引入路由時採用策略路由，對相應的路由進行過濾。

        本案例是由於配置錯誤導致的流量異常，病毒和惡意軟體也會引起流量異常，它們會經常利用一些系統漏洞來進行流量攻擊，當然網路資源總是有限的，一些正常的應用也會把網路帶寬耗盡，造成網路延時和網路丟包，所以具體情況要具體分析。

Ⅵ 論文閱讀01-流量模型

網路流量建模有著廣泛的應用。在本文中，我們提出了網路傳輸點過程(NTPP)，這是一種 概率深層機制 ，它可以模擬網路中主機的流量特性，並有效地預測網路流量模式，如負載峰值。現有的隨機模型依賴於網路流量本質上的自相似性，因此無法解釋流量異常現象。這些異常現象，如短期流量爆發，在某些現代流量條件下非常普遍，例如數據中心流量，從而反駁了自相似性的假設。我們的模型對這種異常具有魯棒性，因為它使用時間點流程模型有效地利用了突發網路流量的自激特性。
在從網路防禦演習(CDX)、網站訪問日誌、數據中心流量和P2P流量等領域收集的7個不同的數據集上，NTPP在根據幾個基線預測網路流量特性(從預測網路流量到檢測流量峰值)方面提供了顯著的性能提升。我們還演示了我們的模型在緩存場景中的一個應用程序，表明可以使用它來有效地降低緩存丟失率。

對新型網路應用和系統的需求日益增長， 使得網路流量行為更加復雜和不可預測 。例如，在數據中心網路中，流量微爆發源於應用程序[1]的突然流行，而在副本[2]間的信息同步過程中產生的大象流會在骨幹網路上造成臨時的負載不均衡。另一方面，由於不同的終端用戶活動模式[3]，諸如多媒體流媒體和視頻會議等流量密集型應用導致了蜂窩網路和移動網路上的巨大流量差異。這種流量差異影響最終用戶應用程序[4]的體驗質量(QoE)。此外，隨著基於Internet小型計算機系統介面(iSCSI)的分布式存儲[5]和物聯網(IoT)應用[6]的大規模地理分布式雲存儲同步的迅速普及，網路流量變異性成倍增加。各種安全攻擊，如分布式拒絕服務攻擊(DDoS)，加劇了流量模式預測[7]的假陰性問題。
由於應用范圍的多樣化，短期和長期的流量爆發在各種類型的網路中都很常見；因此，研究人員探索了不同的 基於突發周期性假設 的流量突發預測技術，如 流量矩陣[8]的部分可預測性 、 張量補全方法 [9]等。然而，最近網路流量的高度不均勻性 使這種流量突發周期性的假設失效，並導致了明顯的流量差異和多重分形流量變化 ，這需要單獨的檢測工作。這種交通差異和多重分形的例子包括數據中心或或ISP骨幹[11]網中流量的突發峰值(微突發)[10]、多媒體應用的流量(如視頻流媒體)[12]、存儲同步[13]、惡意或攻擊流量(例如物聯網設備中的DDoS攻擊)[7]。因此，需要開發一個流量事件預測模型，該模型可以捕獲諸如流量突發、突發峰值、主機帶寬使用的意外跳變等流量差異和多重分形流量變化。
在這項工作中，我們旨在 將差異性和可變性檢測集成到網路流量建模中 ，從而為高度異常的網路流量提供統一的模型。為此，我們按照單獨的網路主機（例如數據中心伺服器或終端用戶設備）的傳輸特性來分解流量預測問題，在此我們著重於總網路帶寬的份額每個主機使用的時間，稱為給定時間的「優勢」。為此，我們提出了網路傳輸點過程（NTPP），它是一種基於時間點過程機制的深度概率機制。 NTPP首先使用 循環標記時間點過程 （RMTPP）表徵主機突發流量產生的事件[14]，該過程結合了主機的影響以根據可用帶寬轉發流量突發。此外，我們使用一組學習來對任意給定時間內對網路中不同主機進行排序的模板進行 排序 ，從而對不同主機之間的爭用進行建模，其中主機的排序由其生成的通信量決定。這些模板提供了各種方法來評估一對主機的相對順序，這些順序是由它們的爭用過程引起的。這些措施，連同底層的包傳輸過程，確保在整個時間窗口內主機之間的正確排序。為了了解傳輸動態以及排名的變化，我們將給定主機的觀測傳輸時間的似然性最大化，並結合學習對模板進行排名的其他措施進行統一。這種額外的小工具使我們的模型能夠預測意外的峰值，帶寬使用量的跳躍，否則很難追蹤（實驗著重證明了這一點）。
我們根據來自不同域的 七個 真實數據集上的幾個最新基準評估了我們的系統，這些數據集可能會顯示異常流量。其中四項是從各個組織進行的網路防禦演習中獲得的，一項是從網站訪問日誌（1998年世界盃Web伺服器）獲得的，另一項是從數據中心流量的獲得的，另一項是從BitTorrent網路獲得的。我們觀察到，在預測主機流量方面，NTPP的平均性能比最具競爭力的基準好11％，而在檢測主機帶寬消耗的突然跳升或峰值時，NTPP的預測精度提高了約25％。我們還使用基於NTPP的模擬器實現了下游緩存應用程序，並且觀察到緩存未命中率降低了約10％。
貢獻 ：
(1) 復雜包傳輸過程建模 ：我們設計了NTPP，這是一個多主機網路流量動態的非線性隨機模型，能夠准確地捕捉到包傳輸過程中攻擊性跳躍和不規則行為的存在。此外，與現有的離散時間流量模型(如[9]、[15])相比，我們使用了時間點過程的連續時間特性。
(2) 主機間的爭用建模 ：我們的NTPP方案利用了[16]中提出的產品競爭建模思想，將豐富的學習文獻與網路流量建模聯系起來，對[17]其進行排名。
(3) 預測能力 :NTPP不僅具有理論基礎，而且具有實踐效果。我們的模型能夠比幾種最先進的基準更有效地預測分組傳輸動態。此外，嵌入式鑒別模塊有助於實時估計帶寬消耗的突然變化，這是一個至關重要的實際挑戰，所有基準都無法追蹤。
(4) 下游應用 ：我們演示了NTPP在下游緩存場景中的應用，突出了它的實用性。現有的原始內容緩存由於突發的流量而存在較高的緩存丟失率，而我們的模型支持的智能內容緩存通過根據不同主機的預測流量為它們保留不同數量的內存空間來實現更好的性能。

從歷史上看，大量的工作集中在從各種不同的角度對萬維網流量進行建模，使用各種分布模型，如泊松、帕累托、威布爾、馬爾科夫和嵌入式馬爾科夫、ON-OFF等。隨著互聯網的發展和各種Web服務的引入，提出了更復雜的模型，如馬爾科夫調制泊松過程[19]、馬爾科夫調制流體模型[20]、自回歸模型[21]、流量矩陣[8]的部分可預測性、張量補全方法[9]等。然而， 這些模型只能捕獲特定類型的網路事件，而不能泛化為捕獲Internet流量中的不同流量差異和變化 。在另一個獨立的線程中，研究人員將互聯網流量爆發建模為一種顯示自相似性[22]的現象。然而，許多工作23]，[24]也質疑「自相似性」的假設，特別是在互聯網骨幹網中，從多個來源的流量會得到多路復用。
隨著大規模數據中心、基於物聯網的平台、蜂窩網路和移動網路、信息中心網路等領域的出現，互聯網流量的性質發生了巨大變化。因此，出現了各種領域特有的模型，如數據中心[15]的流量微突發預測、流量異常檢測[25]、物聯網流量表徵[26]、互聯網社交事件預測[27]等。此外，由於網路流量在不同的差異和變化下具有不同的性質，最近的一些工作探索了基於機器學習的技術來預測流量模式[12]、[28]、[29]中的不同事件、異常和不一致性。然而， 這種預測模型是針對特定的網路系統設計的，缺乏通用性 。

在本節中，我們將制定NTPP，即所提出的模型(參見圖1)，該模型捕獲了網路流量動態的兩個主要組成部分—(i)集體包傳輸機制和(ii)多個主機之間的爭用。在一開始，NTPP是由一種基於點過程的深層概率機制驅動的——點過程是一種特殊類型的隨機過程，它自然地捕獲了連續數據包到達背後的機制。此外，它還包含一個判別模塊，該模塊包含一系列對函數[17]進行排序的學習，專門設計用於建模主機間爭用過程。接下來，我們將從時間點過程的概述開始，詳細描述它們，然後描述學習和預測動態的方法。

Ⅶ 我們的系統檢測到您的計算機網路中存在異常流量.請稍後重新發送

此提示是瀏覽器為了防範機器自動查詢而採取的措施，但對於多人使用同一對外IP的情況也會造成誤報，比如身處區域網或者使用了代理伺服器等網路條件下。

解決方法：

1、輸入驗證碼，一般輸入2次驗證碼之後即可解除提示。

2、如果使用的是區域網，要麼聯系網管解決，要麼自行使用代理伺服器。

3、如果使用了代理伺服器，不用或者更換代理伺服器。

4、如果是個人寬頻，重新進行寬頻撥號或者重啟路由器獲得一個新IP。

(7)網路流量異常數據集擴展閱讀：

注意事項：

1、從工作方式上看，計算機網路可以分為邊緣部分和核心部分。 邊緣部分是指用戶直接使用的、連接在網際網路上的主機， 而核心部分是指大量的網路和連接這些網路的路由器，它為邊緣部分提供了連通性和交換服務。

2、分布式處理。當計算機網路中的某個計算機系統負荷過重時，就可以將其處理的任務傳送到網路的其他計算機系統中，利用空閑計算機資源以提高整個系統的運行效率。

3、按照網路的拓撲結構，主要分為星形、匯流排型、環形和網路形網路。 其中前三者多用於區域網，網路形網路多用於廣域網。

Ⅷ 聯通流量卡已連接網路但是就是出現網路異常怎麼回事

一般有三種情況：一、終端；二、網路；三、流量封頂；解決辦法，一、把卡放到別的手機測試是否能上網；二、看看身邊使用聯通手機卡的朋友是不是跟你一樣，如果不是，則當地網路沒問題；三、流量封頂可通過撥打客服查，對方會告訴你；

Ⅸ 「宏觀網路流量」的定義是什麼有哪些異常檢測方法

一種互聯網宏觀流量異常檢測方法(2007-11-7 10:37) 摘要：網路流量異常指網路中流量不規則地顯著變化。網路短暫擁塞、分布式拒絕服務攻擊、大范圍掃描等本地事件或者網路路由異常等全局事件都能夠引起網路的異常。網路異常的檢測和分析對於網路安全應急響應部門非常重要，但是宏觀流量異常檢測需要從大量高維的富含雜訊的數據中提取和解釋異常模式，因此變得很困難。文章提出一種分析網路異常的通用方法，該方法運用主成分分析手段將高維空間劃分為對應正常和異常網路行為的子空間，並將流量向量影射在正常子空間中，使用基於距離的度量來檢測宏觀網路流量異常事件。公共互聯網正在社會生活的各個領域發揮著越來越重要的作用，與此同時，由互聯網的開放性和應用系統的復雜性所帶來的安全風險也隨之增多。2006年，國家計算機網路應急技術處理協調中心(CNCERT/CC)共接收26 476件非掃描類網路安全事件報告，與2005年相比增加2倍，超過2003—2005年3年的總和。2006年，CNCERT/CC利用部署的863-917網路安全監測平台，抽樣監測發現中國大陸地區約4.5萬個IP地址的主機被植入木馬，與2005年同期相比增加1倍；約有1千多萬個IP地址的主機被植入僵屍程序，被境外約1.6萬個主機進行控制。黑客利用木馬、僵屍網路等技術操縱數萬甚至上百萬台被入侵的計算機，釋放惡意代碼、發送垃圾郵件，並實施分布式拒絕服務攻擊，這對包括骨幹網在內的整個互聯網網路帶來嚴重的威脅。由數萬台機器同時發起的分布式拒絕服務攻擊能夠在短時間內耗盡城域網甚至骨幹網的帶寬，從而造成局部的互聯網崩潰。由於政府、金融、證券、能源、海關等重要信息系統的諸多業務依賴互聯網開展，互聯網骨幹網路的崩潰不僅會帶來巨額的商業損失，還會嚴重威脅國家安全。據不完全統計，2001年7月19日爆發的紅色代碼蠕蟲病毒造成的損失估計超過20億美元；2001年9月18日爆發的Nimda蠕蟲病毒造成的經濟損失超過26億美元；2003年1月爆發的SQL Slammer蠕蟲病毒造成經濟損失超過12億美元。針對目前互聯網宏觀網路安全需求，本文研究並提出一種宏觀網路流量異常檢測方法，能夠在骨幹網路層面對流量異常進行分析，在大規模安全事件爆發時進行快速有效的監測，從而為網路防禦贏得時間。1 網路流量異常檢測研究現狀在骨幹網路層面進行宏觀網路流量異常檢測時，巨大流量的實時處理和未知攻擊的檢測給傳統入侵檢測技術帶來了很大的挑戰。在流量異常檢測方面，國內外的學術機構和企業不斷探討並提出了多種檢測方法[1]。經典的流量監測方法是基於閾值基線的檢測方法，這種方法通過對歷史數據的分析建立正常的參考基線范圍，一旦超出此范圍就判斷為異常，它的特點是簡單、計算復雜度小，適用於實時檢測，然而它作為一種實用的檢測手段時，需要結合網路流量的特點進行修正和改進。另一種常用的方法是基於統計的檢測，如一般似然比(GLR)檢測方法[2]，它考慮兩個相鄰的時間窗口以及由這兩個窗口構成的合並窗口，每個窗口都用自回歸模型擬合，並計算各窗口序列殘差的聯合似然比，然後與某個預先設定的閾值T 進行比較，當超過閾值T 時，則窗口邊界被認定為異常點。這種檢測方法對於流量的突變檢測比較有效，但是由於它的閾值不是自動選取，並且當異常持續長度超過窗口長度時，該方法將出現部分失效。統計學模型在流量異常檢測中具有廣闊的研究前景，不同的統計學建模方式能夠產生不同的檢測方法。最近有許多學者研究了基於變換域進行流量異常檢測的方法[3]，基於變換域的方法通常將時域的流量信號變換到頻域或者小波域，然後依據變換後的空間特徵進行異常監測。P. Barford等人[4]將小波分析理論運用於流量異常檢測，並給出了基於其理論的4類異常結果，但該方法的計算過於復雜，不適於在高速骨幹網上進行實時檢測。Lakhina等人[5-6]利用主成分分析方法(PCA)，將源和目標之間的數據流高維結構空間進行PCA分解，歸結到3個主成分上，以3個新的復合變數來重構網路流的特徵，並以此發展出一套檢測方法。此外還有一些其他的監測方法[7]，例如基於Markov模型的網路狀態轉換概率檢測方法，將每種類型的事件定義為系統狀態，通過過程轉換模型來描述所預測的正常的網路特徵，當到來的流量特徵與期望特徵產生偏差時進行報警。又如LERAD檢測[8]，它是基於網路安全特徵的檢測，這種方法通過學習得到流量屬性之間的正常的關聯規則，然後建立正常的規則集，在實際檢測中對流量進行規則匹配，對違反規則的流量進行告警。這種方法能夠對發生異常的地址進行定位，並對異常的程度進行量化。但學習需要大量正常模式下的純凈數據，這在實際的網路中並不容易實現。隨著宏觀網路異常流量檢測成為網路安全的技術熱點，一些廠商紛紛推出了電信級的異常流量檢測產品，如Arbor公司的Peakflow、GenieNRM公司的GenieNTG 2100、NetScout公司的nGenius等。國外一些研究機構在政府資助下，開始部署宏觀網路異常監測的項目，並取得了較好的成績，如美國研究機構CERT建立了SiLK和AirCERT項目，澳大利亞啟動了NMAC流量監測系統等項目。針對宏觀網路異常流量監測的需要，CNCERT/CC部署運行863-917網路安全監測平台，採用分布式的架構，能夠通過多點對骨幹網路實現流量監測，通過分析協議、地址、埠、包長、流量、時序等信息，達到對中國互聯網宏觀運行狀態的監測。本文基於863-917網路安全監測平台獲取流量信息，構成監測矩陣，矩陣的行向量由源地址數量、目的地址數量、傳輸控制協議(TCP)位元組數、TCP報文數、數據報協議(UDP)位元組數、UDP報文數、其他流量位元組數、其他流量報文書、WEB流量位元組數、WEB流量報文數、TOP10個源IP占總位元組比例、TOP10個源IP占總報文數比例、TOP10個目的IP占總位元組數比例、TOP10個目的IP占總報文數比例14個部分組成，系統每5分鍾產生一個行向量，觀測窗口為6小時，從而形成了一個72×14的數量矩陣。由於在這14個觀測向量之間存在著一定的相關性，這使得利用較少的變數反映原來變數的信息成為可能。本項目採用了主成份分析法對觀測數據進行數據降維和特徵提取，下面對該演算法的工作原理進行介紹。 2 主成分分析技術主成分分析是一種坐標變換的方法，將給定數據集的點映射到一個新軸上面，這些新軸稱為主成分。主成分在代數學上是p 個隨機變數X 1, X 2……X p 的一系列的線性組合，在幾何學中這些現線性組合代表選取一個新的坐標系，它是以X 1,X 2……X p 為坐標軸的原來坐標系旋轉得到。新坐標軸代表數據變異性最大的方向，並且提供對於協方差結果的一個較為簡單但更精練的刻畫。主成分只是依賴於X 1,X 2……X p 的協方差矩陣，它是通過一組變數的幾個線性組合來解釋這些變數的協方差結構，通常用於高維數據的解釋和數據的壓縮。通常p 個成分能夠完全地再現全系統的變異性，但是大部分的變異性常常能夠只用少量k 個主成分就能夠說明，在這種情況下，這k 個主成分中所包含的信息和那p 個原變數做包含的幾乎一樣多，於是可以使用k 個主成分來代替原來p 個初始的變數，並且由對p 個變數的n 次測量結果所組成的原始數據集合，能夠被壓縮成為對於k 個主成分的n 次測量結果進行分析。運用主成分分析的方法常常能夠揭示出一些先前不曾預料的關系，因而能夠對於數據給出一些不同尋常的解釋。當使用零均值的數據進行處理時，每一個主成分指向了變化最大的方向。主軸以變化量的大小為序，一個主成分捕捉到在一個軸向上最大變化的方向，另一個主成分捕捉到在正交方向上的另一個變化。設隨機向量X '=[X 1,X 1……X p ]有協方差矩陣∑,其特徵值λ1≥λ2……λp≥0。考慮線性組合：Y1 =a 1 'X =a 11X 1+a 12X 2……a 1pX pY2 =a 2 'X =a 21X 1+a 22X 2……a 2pX p……Yp =a p'X =a p 1X 1+a p 2X 2……a p pX p從而得到：Var (Yi )=a i' ∑a i ,(i =1,2……p )Cov (Yi ,Yk )=a i '∑a k ,(i ,k =1,2……p )主成分就是那些不相關的Y 的線性組合，它們能夠使得方差盡可能大。第一主成分是有最大方差的線性組合，也即它能夠使得Var (Yi )=a i' ∑a i 最大化。我們只是關注有單位長度的系數向量，因此我們定義：第1主成分＝線性組合a 1'X，在a1'a 1=1時，它能夠使得Var (a1 'X )最大；第2主成分＝線性組合a 2 'X，在a2'a 2=1和Cov(a 1 'X,a 2 'X )=0時，它能夠使得Var (a 2 'X )最大；第i 個主成分＝線性組合a i'X，在a1'a 1=1和Cov(a i'X,a k'X )=0(k<i )時，它能夠使得Var (a i'X )最大。由此可知主成分都是不相關的，它們的方差等於協方差矩陣的特徵值。總方差中屬於第k個主成分(被第k個主成分所解釋)的比例為：如果總方差相當大的部分歸屬於第1個、第2個或者前幾個成分，而p較大的時候，那麼前幾個主成分就能夠取代原來的p個變數來對於原有的數據矩陣進行解釋，而且信息損失不多。在本項目中，對於一個包含14個特徵的矩陣進行主成分分析可知，特徵的最大變化基本上能夠被2到3個主成分捕捉到，這種主成分變化曲線的陡降特性構成了劃分正常子空間和異常子空間的基礎。3 異常檢測演算法本項目的異常流量檢測過程分為3個階段：建模階段、檢測階段和評估階段。下面對每個階段的演算法進行詳細的介紹。3.1 建模階段本項目採用滑動時間窗口建模，將當前時刻前的72個樣本作為建模空間，這72個樣本的數據構成了一個數據矩陣X。在試驗中，矩陣的行向量由14個元素構成。主成份分為正常主成分和異常主成份，它們分別代表了網路中的正常流量和異常流量，二者的區別主要體現在變化趨勢上。正常主成份隨時間的變化較為平緩，呈現出明顯的周期性；異常主成份隨時間的變化幅度較大，呈現出較強的突發性。根據采樣數據，判斷正常主成分的演算法是：依據主成分和采樣數據計算出第一主成分變數，求第一主成分變數這72個數值的均值μ1和方差σ1，找出第一主成分變數中偏離均值最大的元素，判斷其偏離均值的程度是否超過了3σ1。如果第一主成分變數的最大偏離超過了閾值，取第一主成份為正常主成分，其他主成份均為異常主成分，取主成份轉換矩陣U =[L 1]；如果最大偏離未超過閾值，轉入判斷第下一主成分，最後取得U =[L 1……L i -1]。第一主成份具有較強的周期性，隨後的主成份的周期性漸弱，突發性漸強，這也體現了網路中正常流量和異常流量的差別。在得到主成份轉換矩陣U後，針對每一個采樣數據Sk =xk 1,xk 2……xk p )，將其主成份投影到p維空間進行重建，重建後的向量為：Tk =UU T (Sk -X )T計算該采樣數據重建前與重建後向量之間的歐氏距離，稱之為殘差：dk =||Sk -Tk ||根據采樣數據，我們分別計算72次采樣數據的殘差，然後求其均值μd 和標准差σd 。轉換矩陣U、殘差均值μd 、殘差標准差σd 是我們構造的網路流量模型，也是進行流量異常檢測的前提條件。 3.2 檢測階段在通過建模得到網路流量模型後，對於新的觀測向量N,(n 1,n 2……np )，採用與建模階段類似的分析方法，將其中心化：Nd =N -X然後將中心化後的向量投影到p維空間重建，並計算殘差：Td =UUTNdTd =||Nd -Td ||如果該觀測值正常，則重建前與重建後向量應該非常相似，計算出的殘差d 應該很小；如果觀測值代表的流量與建模時發生了明顯變化，則計算出的殘差值會較大。本項目利用如下演算法對殘差進行量化：3.3 評估階段評估階段的任務是根據當前觀測向量的量化值q (d )，判斷網路流量是否正常。根據經驗，如果|q (d )|<5，網路基本正常；如果5≤|q (d )|<10，網路輕度異常；如果10≤|q (d )|，網路重度異常。4 實驗結果分析利用863-917網路安全監測平台，對北京電信骨幹網流量進行持續監測，我們提取6小時的觀測數據，由於篇幅所限，我們給出圖1—4的時間序列曲線。由圖1—4可知單獨利用任何一個曲線都難以判定異常，而利用本演算法可以容易地標定異常發生的時間。本演算法計算結果如圖5所示，異常發生時間在圖5中標出。我們利用863-917平台的回溯功能對於異常發生時間進行進一步的分析，發現在標出的異常時刻，一個大規模的僵屍網路對網外的3個IP地址發起了大規模的拒絕服務攻擊。 5 結束語本文提出一種基於主成分分析的方法來劃分子空間，分析和發現網路中的異常事件。本方法能夠准確快速地標定異常發生的時間點，從而幫助網路安全應急響應部門及時發現宏觀網路的流量異常狀況，為迅速解決網路異常贏得時間。試驗表明，我們採用的14個特徵構成的分析矩陣具有較好的識別准確率和分析效率，我們接下來將會繼續尋找更具有代表性的特徵來構成數據矩陣，並研究更好的特徵矩陣構造方法來進一步提高此方法的識別率，並將本方法推廣到短時分析中。6 參考文獻[1] XU K, ZHANG Z L, BHATTACHARYYA S. Profiling Internet backbone traffic: Behavior models and applications [C]// Proceedings of ACM SIGCOMM, Aug 22- 25, 2005, Philadelphia, PA, USA. New York, NY,USA:ACM,2005:169-180.[2] HAWKINS D M, QQUI P, KANG C W. The change point model for statistical process control [J]. Journal of Quality Technology,2003, 35(4).[3] THOTTAN M, JI C. Anomaly detection in IP networks [J]. IEEE Transactions on Signal Processing, 2003, 51 )8):2191-2204.[4] BARFORD P, KLINE J, PLONKA D, et al. A signal analysis of network traffic anomalies [C]//Proceedings of ACM SIGCOMM Intemet Measurement Workshop (IMW 2002), Nov 6-8, 2002, Marseilles, France. New York, NY,USA:ACM, 2002:71-82.[5] LAKHINA A, CROVELLA M, DIOT C. Mining anomalies using traffic feature distributions [C]// Proceedings of SIGCOMM, Aug 22-25, 2005, Philadelphia, PA, USA. New York, NY,USA: ACM, 2005: 217-228.[6] LAKHINA A, CROVELLA M, DIOT C. Diagnosing network-wide traffic anomalies [C]// Proceedings of ACM SIGCOMM, Aug 30 - Sep 3, 2004, Portland, OR, USA. New York, NY,USA: ACM, 2004: 219-230.[7] SCHWELLER R, GUPTA A, PARSONS E, et al. Reversible sketches for efficient and accurate change detection over network data streams [C]//Proceedings of ACM SIGCOMM Internet Measurement Conference (IMC』04), Oct 25-27, 2004, Taormina, Sicily, Italy. New York, NY,USA: ACM, 2004:207-212.[8] MAHONEY M V, CHAN P K. Learning rules for anomaly detection of hostile network traffic [C]// Proceedings of International Conference on Data Mining (ICDM』03), Nov 19-22, Melbourne, FL, USA . Los Alamitos, CA, USA: IEEE Computer Society, 2003:601-604.

Ⅹ oppo手機上網時說網路異常怎麼辦

1、檢查SIM卡是否開通GPRS上網業務或被臨時關閉。使用手機數據上網功能，電話卡需開通數據流量上網業務。可以聯系電話卡當地的網路供應商，開通數據流量上網業務。

3、重置上網參數。

4、有可能是網路延遲，你關機重新啟動。