基于云计算的通信网络异常数据分析技术

孟 宇

（辽宁省锦州市大数据中心，辽宁 锦州 121000）

0 引 言

网络的不安全性因素不断增加，网络非常规操作、其他人为原因以及网络中的故障均会导致网络异常数据出现，对网络服务造成严重威胁。针对网络异常情况，研究人员设计了多种分析方法。其中，刘云朋等人利用贝叶斯分区数据挖掘方法进行网络异常数据分析[1]。冯乔利用超球面支持向量机的分析方法进行网络异常数据分析[2]。但以上方法存在网络异常数据分析精准度较低的问题，而云计算技术是能够在大量虚拟资源中进行大规模计算的技术，分析效果较佳，能够提高网络服务质量。因此，本文将云计算技术引进该领域，设计了基于云计算的通信网络异常数据分析技术。

1 云计算环境下通信网络异常数据分析技术设计

1.1 判定网络异常运行行为

通信网络运行数据较为复杂，本文在进行异常数据分析前，采集各类数据指标与异常运行数据，在此基础上分析网络异常运行行为[3]。网络运行数据集的特征维度较大，为了获取网络异常数据特征值，本文将网络运行数据导入到云空间中，并计算出数据集的信息熵[4]。本文将数据集设定为S，在云空间内得出S中任意2个数据的信息熵为

式中：Rij为i、j这2个数据的信息熵；Kij为数据i与数据j的相似度矩阵；Sij为数据集的数据特征；V为云空间中的网络数据流量的平均信息熵；N为数据集S的特征权值[5]。为更好地反映网络当前运行状态，本文在运行数据采集过程中，需要导入出尽可能多的代表网络运行状态数据，如表1所示。

如表1所示，本文采集的网络运行数据指标分别为 CPU_USR、CPU_kij、CPU_vgtf、CPU_mem、IO_Rk、IO_jdw、SEND_rate、Receive_rate以及SYS_hju等，在出现异常运行数据时，上述数据指标就会出现较大的运行波动[6]。当相关数据指标出现突然增大或突然减少的流量异常情况时，即可以判定为存在网络异常运行行为。

表1 网络运行数据

1.2 基于主成分分析法分析通信网络异常节点

因此，本文将异常数据节点分析分为3个部分，分别为网络效用计算、负载均衡计算、备份冗余计算等。在云空间中，数据集S中的运行数据存在较多的特征，每个特征对应的特征向量不同，最大的特征根对应的若干个特征向量，就是数据集S中的异常数据节点。异常节点的最大特征根确定公式为

式中：X(S)max为数据集S中异常节点的最大特征根；XV为V的特征向量；Vs为数据降维成分；Xs为较小的特征根成分。在X(S)max确定的过程中，从求取特征向量的角度考究，根据特征根的大小，排布出对应的特征向量次序。当Vs＞Xs时，对Vs进行处理，并丢弃Xs；当Vs＜Xs时，Vs与Xs均被保留，根据最终数据偏离度大小，即可确定网络数据的异常与否。数据偏离度大小计算公式为

式中：P为数据偏离度；δi为网络异常节点的特征参数；vi为主成分分析参数；J为网络均衡指数；δxi、δxj为网络异常节点的待定系数；mt为通信网络的局部异常分布变量。当P＞0时，网络异常节点较多，表示该节点可能会造成网络中有用信息丢失问题，影响通信网络的正常使用；当P＜0时，网络异常节点较少，数据量相应增加，无法进行有针对性的数据分析；当P=0时，网络异常节点数量为0，通信网络处于正常运行状态，不会对网络造成影响。

1.3 构建网络异常数据分析的云计算模型

在分析出异常节点特征之后，还需要对上述方法进行优化，为此构建网络异常数据分析云计算模型。将上文中导入的运行数据与异常节点特征，在云空间中转换数据，根据数据特征分析网络运行状态。本文对网络异常数据分析的过程中，对通信网络数据进行训练与提取，并将异常数据的异常网络行为偏离度进行阈值最大判定。本文假设偏离度P存在，并在云空间中处于固定参数。本文根据实际网络环境，将运行数据与异常节点进行空间转换，转换公式为

式中：Xa为不同网络异常数据节点采集到的数据矩阵；为数据指标样本；Xa'为经过转换之后的异常数据矩阵；为统一格式的异常数据样本。将得到的异常数据从式（6）转换成式（7），再进行异常数据统一分析。由此得出异常数据云分析格式如图1所示。

图1 异常数据的云分析格式

图1中，网络数据流量连续无限，而云空间内存却比较有限，这就导致无法实时分析异常数据。本文构建的异常数据分析模型，主要是针对有限的空间内存，对有限的数据进行无限分析。分析模型在数据异常分析的过程中，利用窗口设定这一方式将异常数据节点设定成最早的时间点开始，到当前异常节点结束，平均每分钟处理1次采集到的异常运行数据。由此构建的网络异常数据分析云计算模型表达式为

式中：Mk为异常数据分析模型表达式。当Mk降低时，表明异常数据已经“老化”，模型对分析结果的贡献随之减少。本文通过网络运行数据的云空间转换、训练异常分析模型、分析异常数据以及检测数据异常等流程，减少网络单一成分分析的不确定性，提升网络异常数据分析精准度。

至此，完成基于云计算的通信网络异常数据分析技术的设计。

2 实 验

2.1 实验过程

本文利用云计算对网络上行流量与下行流量进行分析，综合判定网络异常情况。上行流量、下行流量分析情况如图2所示。

图2 上下行流量图

图2可知：在40 s之前，下行流量处于波动状态；在38 s之前，上行流量处于波动状态。在上行流量与下行流量处于波动状态时，网络数据被攻击的速率均在1 000 kB/s，多数情况下均小于1 000 kB/s；在40 s之后，上行流量与下行流量均在某一范围内保持平稳，此时为网络正常状态。通过分析上行流量与下行流量的平稳状态，能够更快速地发现网络异常状态，对异常网络后续维护具有重要作用。

2.2 实验结果

在上述实验条件下，本文选取1 000～8 000 B等随机数据量，分析其通信网络异常数据分析精准度。具体实验结果如表2所示。

如表2所示，本文随机选取出1 000～8 000 B的数据量，每个通信数据的异常数据数量不同。文献[1]方法的分析精准度在0.845～0.887的范围内变化。其中，数据量为5 000 B时，分析精准度低于0.850的合格指标。文献[2]方法的分析精准度在0.852～0.902的范围内变化。相比于文献[1]方法，文献[2]方法的分析精准度更加稳定，但是该方法受到数据量的限制，数据量越多，分析精准度越低。由此证明，文献[1]方法、文献[2]方法在通信网络异常数据分析精准度方面，均存在不同程度的问题，导致异常数据分析效果随之下降。而本文设计的通信网络异常数据分析技术的分析精准度在0.995～1.000的范围内变化。其中，数据量为3000 B时，精准度达到了1.000的完美标准。并且该分析技术并不会受到数据量多少的干扰，能够更准确地分析出通信网络的异常情况，符合本文研究目的。

表2 实验结果

3 结 论

本文利用云计算设计了通信网络异常数据分析技术。从判定网络异常运行行为、分析异常节点、构建分析模型等方式对网络异常数据进行分析。通过网络异常数据节点的分析快速找出异常数据，不仅减轻了通信网络异常情况对适用人群的影响，还提高了网络服务质量，能够为网络的正常运行提供保障。