利用直觉模糊集从流交互中检测网络流量异常

我们提出一种在时间序列流交互模式中检测异常的方法。现有许多网络流量异常检测方法，如包数量法。然而，对于可表示为复杂网络的流交互模式时间序列，尚无既定方法检测其异常。首先，基于所提时间局部性上的多元流相似度方法，构建复杂网络模型（MFS-TL）以描述流量流的交互行为。在分析了 MFS-TL 特征、时间局部性窗口与多元流相似度临界阈值间的关系后，建立了参数确定方法。观察到 MFS-TL 特征的演化，定义了三种针对网络状态（即正常或异常）的非确定性关联。进而引入直觉模糊集（IFS）量化三种非确定性关联，并提出一种针对单特征序列的异常检测方法。为构建客观 IFS，我们设计了带可变犹豫度的高斯分布隶属度函数。为确定 IFS 聚类区间到网络状态的映射，提出了一种区分指标。随后，提出 IFS 集成方法（IFSE-AD）以消除 MFS-TL 特征对网络状态不一致的影响并提升检测性能。最后，我们在多个网络流量数据集上进行了广泛的异常检测实验，结果表明 IFSE-AD 优于现有最优方法，验证了本方法的有效性。