基于大数据分析的网络异常检测方法

doi:10.3969/j.issn.1000-0801.2014.06.025

摘要/Abstract

摘要：

随着当前网络结构的日益复杂，网络故障出现的概率逐渐增加，网络管理面临更大的挑战。网络管理的一个重要任务是通过对网络设备运行状况的监测，及时发现网络异常，提前进行处置，以降低故障带来的损失。当前业界已经对故障诊断进行了大量研究，但仍然存在告警丢失、虚警严重等问题。为此，提出了一种基于大数据分析的网络性能预测方法，通过改变网络管理中“先报警，再处理”的故障处理流程，实现网络故障的预警功能。本文的研究内容对于提升网络的可用性和可靠性具有一定的意义。

关键词: 网络管理, 故障预测, 大数据, 时间序列分析

Abstract:

With the development of the network technology and expansion of the network size,the probability of network anomaly is greatly increased,which makes network management face greater challenges.An important task of network management is network anomaly detection in time based on the data got by network management system （NMS）; the performance of network management will be great improved if the network anomaly could be detected before it really happen.A method of network anomaly prediction based on big data was presented,the traditional process act as “first alarm,then solve”was replaced by anomaly prediction process.The result is significant for improving network availability and reliability.

Key words: network management, anomaly prediction, big data, time series analysis

曹旭,曹瑞彤. 基于大数据分析的网络异常检测方法[J]. 电信科学, 2014, 30(6): 152-156.

Xu Cao,Ruitong Cao. Network Anomaly Prediction Method Based on Big Data[J]. Telecommunications Science, 2014, 30(6): 152-156.

图/表 6

图1

图2

图3

图4

图5

图6

1	Hanemann A , Sailer M , Sehmitz D . Towards a framework for it service fault management. Proceedings of the European University Information Systems Conference （EUNIS2005）,Manehester, England, 2010
2	Steindler M , Sethi A S . Probabilities fault diagnosis in communication systems through incremental hypothesis updating. Computer Networks, 2011,45（4）:537～562
3	Box E P , Jenkins G M , Reinsel G C . 时间序列分析—预测与控制. 顾岚，范金减译. 北京：中国统计出版社， 2011
4	Basu S , Mukherjee A , Klivansky S . Time series models for internet traffic. ， 1996
5	Frost V , Melamed B . Traffic modeling for telecommunications networks. IEEE Communication Magazine, 2004,32（3）:70～81

[1]	韩璐, 陈威宇, 张斐, 何建锋, 苏怀振. 差异化需求下的非关系型分布式报送信息大数据分类方法[J]. 电信科学, 2023, 39(6): 114-121.
[2]	韩雪. 基于电力大数据的电力骨干通信网络毁伤韧性评估方法[J]. 电信科学, 2023, 39(5): 136-143.
[3]	孙玉娣. 基于电信大数据的5G网络海量用户复访行为预测模型[J]. 电信科学, 2023, 39(2): 157-162.
[4]	李爱华, 吴晓波, 陈超, 魏彬, 史嫄嫄. 5G网络大数据智能分析技术[J]. 电信科学, 2022, 38(8): 129-139.
[5]	黄更生, 黄宇红, 郭漫雪, 郑健平, 葛欣. DT时代面向数据服务的新型基础设施架构[J]. 电信科学, 2022, 38(7): 138-145.
[6]	李攀攀, 谢正霞, 乐光学, 刘鑫. 基于深度学习的无线通信接收方法研究进展与趋势[J]. 电信科学, 2022, 38(2): 1-17.
[7]	赵海波, 相志军, 肖林松. 基于异构数据的电力短期负荷大数据预测方案[J]. 电信科学, 2022, 38(12): 103-111.
[8]	刘志勇, 何忠江, 阮宜龙, 单俊峰, 张超. 大数据安全特征与运营实践[J]. 电信科学, 2021, 37(5): 160-169.
[9]	胡骞, 赵国永, 霍晓莉, 李俊杰, 荆瑞泉, 闫飞, 武晓锋. 灰盒光传输设备的SDN管控技术研究及应用[J]. 电信科学, 2021, 37(12): 93-100.
[10]	刘晓军,武娟,徐晓青. 大数据架构剖析及数据安全融合技术[J]. 电信科学, 2020, 36(7): 146-155.
[11]	刘玉娇,宋坤煌,王向. 基于电力大数据的经济景气指数分析[J]. 电信科学, 2020, 36(6): 166-171.
[12]	于海青,丁伟,徐杰. 高速网络访问超点实时检测算法精度分析[J]. 电信科学, 2020, 36(4): 74-82.
[13]	程卫华,何肖嵘. 基于大数据的网页浏览质差分析方法研究[J]. 电信科学, 2020, 36(11): 174-181.
[14]	高建,陈文彬,庞建民,于华东,宋国瑞. 基于组合密钥的智能电网多源数据安全保护[J]. 电信科学, 2020, 36(1): 134-138.
[15]	谭晓敏,方艾,梁冰,杨豪杰. 基于决策树的EPG体验异常原因定位[J]. 电信科学, 2019, 35(8): 158-164.