整合營銷服務商
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
基于逆向Potts模型的流式網絡入侵檢測新方法
網絡威脅行為檢測目前的研究現狀，有那些最新的研究成果。
網絡攻擊數量增長（列數據）——危害——必要性
網絡入侵檢測系統 基于數據包的方法
執行深度包檢查，同時考慮單個包的有效負載和報頭信息
深層數據包檢查成本高
基于流的方法
對流（即數據包集合）的屬性進行分析，例如持續時間、數據包數量、字節數和源/目標端口[3]
[6]：基于淺層和深層學習的不同流分類器被提出，最好的基于流的分類器達到99%左右的準確率。雖然非常準確，但基于經典機器學習（ML）的分類器需要標記惡意流量樣本來執行訓練。真正標記流量比較困難。
[8] [9] [10]：基于ML的分類器經過特定數據分布的訓練后，在應用于分布稍有不同的其他數據時，通常不能很好地工作，它們的域適應能力較低
[11] [12]：眾所周知的黑盒機制，難以理解和詳細調整
基于能量的流類分類器（EFC），靈感來源于逆potts模型
挑戰 評價及數據集介紹
[16]、[17]、[18]：評估不同基于ML的分類器在互聯網流量數據集上的性能，F1評價
16：基于深度學習的方法能夠更好地區分惡意攻擊和良性流量
17：在沒有特征選擇的情況下，表現出最佳性能的分類器是決策樹；有特征選擇的情況下，KNN
18：Random Forest（RF）的性能超過了所有其他分類器。
[19]、[20]、[21]：用在最近的網絡入侵檢測中，F1評價
[22]、[23]、[24]：使用相同數據集CIDDS-001
[22]：KNN和k-means聚類算法的性能。兩種算法都達到99%以上的準確率
[23]：CIDDS-001進行慢速端口掃描檢測。他們提出的方法能夠以較低的誤報率準確識別攻擊
[24]：CIDDS-001上的流量進行了分類，并提出了一種考慮不平衡網絡流量的穩健方法
[25]、[26]：
[25]：使用評估了基于的分類器的性能
[26]：在2018年對不同的ML分類器進行了同樣的處理
[27]、[28]、[29]：
[27]：一種實時基于熵的NIDS,用于檢測物聯網（IoT）中的體積DDoS，并對數據集和其他數據集進行測試。
[28]：使用卷積神經網絡（CNN）在數據集上獲得了超過99%的準確度
[29]：一種基于模糊邏輯的入侵檢測系統
問題
[6]：對基于流的網絡入侵檢測進行了全面的文獻調查。提到了使用基于ML的分類器進行流量分類的一些缺點。
[7]：難以獲得足夠的標記數據
可能檢測零日攻擊的唯一方法是依賴基于異常的分類器
[8] [9] [10]：難以適應不同的領域
[11] [12]：一些模型的不可解釋性
實現MySQL數據庫數據的同步方法介紹
《實現MySQL數據庫數據的同步方法介紹》文章已經歸檔，站長之家不再展示相關內容，下文是站長之家的自動化寫作機器人，通過算法提取的文章重點內容。這只AI還很年輕，歡迎聯系我們幫它成長：
做開發的時候要做MySQL的數據庫同步，兩臺安裝一樣的系統，都是.4，安裝了Apache2.0.55和PHP4.4.0，MySQL的版本是4.1.15，都是目前最新的版本...
兩臺服務器，分別安裝好MySQL，都安裝在/usr/local/mysql目錄下（安裝步驟省略，請參考相關文檔），兩臺服務器的IP分別是192.168.0.1和192.168.0.2，我們把192.168.0.1作為Master數據庫，把192.168.0.2作為slave服務器，我們采用單向同步的方式，就是Master的數據是主的數據，然后slave主動去Master哪兒同步數據回來...
......
本文由站長之家用戶“賽迪網”投稿，本平臺僅提供信息索引服務。由于內容發布時間超過平臺更新維護時間，為了保證文章信息的及時性，內容觀點的準確性，平臺將不提供完整的內容展現，本頁面內容僅為平臺搜索索引使用。需閱讀完整內容的用戶，請聯系作者獲取原文。
即將跳轉到外部網站
安全性未知，是否繼續
繼續前往
*請認真填寫需求信息，我們會在24小時內與您取得聯系。
