大数据平台异常检测分析系统的若干关键技术研究
| 作者 |
| 肖如良 |
| 丛书名 |
| 出版社 |
| 电子工业出版社 |
| ISBN |
| 9787121352225 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 大数据技术生态体系中的各类技术构件本身没有可自省的安全机制，构件间使用的RPC协议也没有安全机制，大数据平台的安全性面临着巨大挑战，如何高效、快速地检测大数据平台中的应用异常对提高大数据平台的安全性具有重要意义。本书在介绍相关研究工作及相关基础内容之后，主要针对大数据平台的应用层日志数据，研究了平台异常的检测与分析问题，构建了大数据平台异常的离线检测分析的方法体系及实时检测的机制。研究了基于数据流二重概念漂移检测的增量学习、分布式日志的最大频繁序列模式挖掘算法、基于最大频繁模式的动态规则库构建算法、基于Web会话流的分布式实时异常定位算法、基于最大信息系数的在线异常检测算法、基于聚类分析的离线异常检测算法、基于相邻请求的动态时间阈值会话识别算法、基于会话特征相似性模糊聚类的SFAD异常检测算法、基于贝叶斯粒子群的异常检测算法、平台异常时的推测式任务调度策略、基于实时负载的推测式任务调度算法。分析了大数据平台异常检测分析（RADA）系统在实现时所采用的大数据技术与组件技术选型，针对RADA系统进行了深入的结构化分析，介绍了基于融合架构的RADA系统概要设计，研究了RADA系统的详细设计与实现方法，完整地总结了大数据平台异常的实时检测技术与分析RADA系统的关键技术。本书可为产业界与学术界相关人员提供应用研发的帮助，可供计算机专业、软件工程专业的相关工程技术人员、研究人员学习、参考。 |
| 目录 |
| 第1章 绪论 1 1.1 大数据平台异常检测分析研究的背景与意义 1 1.2 大数据平台异常检测分析技术的国内外相关研究进展 3 1.2.1 大数据平台异常检测分析技术的国内外研究现状 3 1.2.2 大数据平台异常检测分析系统的国内外研究现状 5 1.3 本书的主要贡献 7 1.4 本书的组织结构 8 1.5 本章小结 11 第2章 大数据平台异常检测分析的相关基础 12 2.1 引言 12 2.2 日志 12 2.3 日志预处理 13 2.4 异常检测 14 2.4.1 异常检测的定义 14 2.4.2 几类常见的异常检测算法 14 2.5 入侵检测Snort系统 16 2.6 Web用户行为模式挖掘 17 2.7 本章小结 19 第3章 基于数据流二重概念漂移检测的增量学习 20 3.1 引言 20 3.2 二重概念漂移检测机制 20 3.3 基于数据属性的二重概念漂移检测机制 21 3.4 基于分类性能的二重概念漂移检测机制 22 3.5 基于增量SVM与二重检测的概念漂移数据流分类模型TDD-ISVM 23 3.6 TDD-ISVM算法的时间复杂度分析 25 3.7 实验设计与结果分析 26 3.7.1 实验数据集 26 3.7.2 实验结果与分析 26 3.8 本章小结 29 第4章 分布式日志的最大频繁序列模式挖掘算法 31 4.1 引言 31 4.2 序列模式挖掘相关工作 32 4.3 动机与背景 33 4.3.1 使用分布式计算框架的动机与背景 33 4.3.2 使用PrefixSpan算法挖掘序列模式的动机与背景 34 4.3.3 改进PrefixSpan算法提取局部最大频繁序列的动机与背景 34 4.3.4 改进PrefixSpan算法提取全局最大频繁序列的动机与背景 35 4.4 分布式日志最大频繁序列模式挖掘算法描述 35 4.4.1 基于Spark的分布式计算框架 35 4.4.2 算法总体描述 36 4.4.3 算法第一阶段：各节点提取局部最大频繁序列 37 4.4.4 算法第二阶段：各节点集成，提取全局最大频繁序列 37 4.5 实验设计与结果分析 38 4.5.1 实验数据集 38 4.5.2 实验结果与分析 38 4.6 本章小结 41 第5章 基于最大频繁模式的动态规则库构建算法 42 5.1 引言 42 5.2 动态Web用户访问序列数据库DWASD的构建 43 5.3 基于DWASD的分布式PrefixSpan算法 44 5.3.1 PrefixSpan算法改进描述 44 5.3.2 算法的时间复杂度分析 46 5.4 实验设计与结果分析 46 5.4.1 实验数据集 46 5.4.2 实验结果与分析 46 5.5 本章小结 48 第6章 基于Web会话流的分布式实时异常定位算法 49 6.1 引言 49 6.2 基于Web会话流的实时异常定位框架 50 6.3 基于混合生物基因序列比对的异常定位AL_HBGSA算法 50 6.3.1 基本概念 51 6.3.2 AL_HBGSA序列比对算法 51 6.3.3 AL_HBGSA算法的时间复杂度分析 54 6.4 实验设计与结果分析 54 6.4.1 实验数据集 54 6.4.2 实验结果与分析 55 6.5 本章小结 59 第7章 基于最大信息系数的在线异常检测算法 60 7.1 引言 60 7.2 相关基础 60 7.2.1 用户活跃度 60 7.2.2 最大信息系数 61 7.3 基于最大信息系数的在线异常检测算法介绍 62 7.4 算法的时间复杂度分析 64 7.5 实验设计与结果分析 64 7.5.1 实验数据集 64 7.5.2 实验结果与分析 65 7.6 本章小结 68 第8章 基于聚类分析的离线异常检测算法 69 8.1 引言 69 8.2 基本聚类算法 69 8.2.1 K-means聚类算法 69 8.2.2 Canopy聚类算法 70 8.2.3 CMBK聚类算法 71 8.3 基于改进聚类分析的离线异常检测算法 72 8.3.1 异常指数 72 8.3.2 CMBK4AD离线异常检测算法 73 8.4 算法的时间复杂度分析 73 8.5 实验设计与结果分析 73 8.5.1 实验数据集 74 8.5.2 实验结果与分析 74 8.6 本章小结 76 第9章 基于相邻请求的动态时间阈值会话识别算法 77 9.1 引言 77 9.2 相关基础 78 9.2.1 页面访问时间阈值 78 9.2.2 用户访问时间阈值 78 9.2.3 设置页面时间阈值 79 9.3 DAITS算法 79 9.4 实验设计与结果分析 81 9.4.1 实验数据集 81 9.4.2 实验结果与分析 81 9.5 本章小结 82 第10章 基于会话特征相似性模糊聚类的SFAD异常检测算法 83 10.1 引言 83 10.2 基本工作 85 10.2.1 会话特征中网络权重的计算 85 10.2.2 会话特征相似性的计算 85 10.2.3 会话数据集的模糊聚类方法 86 10.3 会话特征相似性模糊聚类的异常检测算法 87 10.3.1 会话的数据结构及生成 87 10.3.2 建立用户相似性矩阵 88 10.3.3 检测和定位异常用户 88 10.4 实验设计与结果分析 89 10.4.1 数据集描述 89 10.4.2 实验结果与分析 90 10.5 本章小结 93 第11章 基于贝叶斯粒子群的异常检测算法 94 11.1 引言 94 11.2 基于朴素贝叶斯分类的异常检测模型ADM-NBC 95 11.2.1 用户会话特征提取 95 11.2.2 ADM-NBC的构建 96 11.3 基于ADM-NBC的WNB-PSO算法 97 11.3.1 加权朴素贝叶斯分类算法 97 11.3.2 粒子群优化算法 97 11.3.3 改进的粒子群优化算法 99 11.3.4 WNB-PSO算法描述 99 11.4 实验设计与结果分析 101 11.4.1 实验数据集 101 11.4.2 实验结果与分析 101 11.5 本章小结 104 第12章 平台异常时的推测式任务调度策略 105 12.1 引言 105 12.2 多用户作业调度器 105 12.2.1 公平调度器 105 12.2.2 计算能力调度器 107 12.3 推测执行调度算法 109 12.3.1 Hadoop-Original推测执行调度算法 110 12.3.2 LATE推测执行调度算法 110 12.3.3 基于备份任务完成时间的推测执行调度策略 111 12.3.4 Mantri系统推测执行调度策略 112 12.4 本章小结 112 第13章 基于实时负载的推测式任务调度算法 113 13.1 引言 113 13.1.1 Hadoop-Original推测式任务调度算法的不足 113 13.1.2 LATE推测式任务调度算法的不足 113 13.2 推测式任务调度算法改进 114 13.2.1 基于混合进度比的任务进度估算方法 114 13.2.2 慢任务判定方法 115 13.2.3 慢节点判定方法 116 13.3 节点负载分级模型 117 13.4 基于实时负载的推测式任务调度算法流程 119 13.5 实验设计与结果分析 120 13.5.1 实验平台及部署 120 13.5.2 测试作业选择及评估方式 121 13.5.3 实验方案 122 13.5.4 实验结果与分析 122 13.6 本章小结 126 第14章 大数据Lambda架构与微服务架构技术选型 127 14.1 引言 127 14.2 大数据技术Lambda架构 127 14.2.1 Hadoop技术基础 127 14.2.2 Spark技术生态体系 129 14.2.3 基于Flume+Kafka的大数据收集组件 130 14.2.4 基于Spark的大数据处理组件 131 14.2.5 基于HBase的大数据存储与管理组件 131 14.2.6 基于MLlib的大数据分析及挖掘组件 131 14.2.7 基于Spark Streaming的大数据流处理组件 132 14.3 微服务架构的有关组件技术选型 132 14.3.1 微服务架构 132 14.3.2 Spring Boot 133 14.3.3 MyBatis 133 14.3.4 Spring Cloud 134 14.4 本章小结 135 第15章 大数据平台异常检测分析系统的结构化分析 136 15.1 引言 136 15.2 问题与场景描述 136 15.3 初步需求分析 137 15.4 系统数据流 137 15.4.1 顶层数据流 137 15.4.2 第一层数据流 138 15.4.3 第二层数据流 138 15.4.4 第三层数据流 139 15.5 功能需求 139 15.6 非功能需求 140 15.7 本章小结 140 第16章 基于融合架构的RADA系统概要设计 141 16.1 引言 141 16.1.1 RADA系统逻辑架构的初步构建 141 16.1.2 RADA系统物理架构的初步构建 141 16.2 RADA系统逻辑架构设计 142 16.2.1 基于微服务架构的RADA系统逻辑架构设计 143 16.2.2 基于Lambda架构的RADA系统逻辑架构设计 143 16.2.3 基于微服务架构和Lambda架构的RADA系统技术架构设计 143 16.3 运行部署环境 144 16.3.1 系统运行网络环境 144 16.3.2 系统运行硬件环境 145 16.3.3 系统运行软件环境 145 16.4 日志预处理子系统概要设计 145 16.4.1 上传离线日志 146 16.4.2 处理离线日志 147 16.4.3 获取实时日志 148 16.4.4 处理实时日志 148 16.4.5 日志规范化 149 16.4.6 处理规范化日志 150 16.4.7 添加日志模板 151 16.4.8 处理日志模板 152 16.5 监控告警子系统概要设计 153 16.5.1 设置告警方式 154 16.5.2 离线异常检测 154 16.5.3 实时异常检测 156 16.5.4 查询异常信息 156 16.5.5 更新规则库 156 16.6 数据库设计 158 16.6.1 数据库实体关系分析 158 16.6.2 数据字典 159 16.7 本章小结 162 第17章 RADA系统的详细设计与实现方法 163 17.1 引言 163 17.2 RADA系统架构的实现机制 163 17.2.1 RADA系统中微服务架构的实现 163 17.2.2 RADA系统中Lambda架构的实现 164 17.3 日志预处理的详细设计 164 17.3.1 控制层设计 164 17.3.2 服务层设计 166 17.3.3 持久化层设计 168 17.4 监控告警模块的详细设计 169 17.4.1 控制层设计 169 17.4.2 服务层设计 170 17.4.3 持久层设计 171 17.5 核心用例的实现 172 17.5.1 上传离线日志 172 17.5.2 离线日志规范化处理 173 17.5.3 离线异常检测 174 17.5.4 获取实时日志 177 17.5.5 实时日志规范化处理 178 17.5.6 实时异常检测 178 17.6 本章小结 179 第18章 总结与展望 180 18.1 总结 180 18.2 展望 181 附录A 182 参考文献 185 |
有问题微信扫码联系