【技术实现步骤摘要】
本专利技术涉及无监督学习领域，具体是一种基于无监督学习的网络环境检测方法。
技术介绍
1、随着数字化时代的发展，越来越多的信息被存储在服务器内，许多组织和企业依赖服务器进行业务运营，若服务器内的网络环境出现异常但没有被检测出来，可能导致信息泄露、财产损失以及造成企业危机等问题，因此，对网络环境进行精准的检测以确保网络环境是否异常具有重要的理论和现实意义。
2、如何对网络环境进行多次检测以确保检测结果的准确性，保证网络环境的安全性，是我们需要解决的问题，为此，现提供一种基于无监督学习的网络环境检测方法。
技术实现思路
1、为了解决上述技术问题，本专利技术的目的在于提供一种基于无监督学习的网络环境检测方法。
2、本专利技术的目的可以通过以下技术方案实现：一种基于无监督学习的网络环境检测方法，包括以下步骤：
3、步骤s1：获取服务器内的网络流量数据；
4、步骤s2：将获取的网络流量数据进行复制，对获取的网络流量数据进行一次网络环境检测判断网络流量数据样本点的坐标是否异常；
5、步骤s3：对复制的网络流量数据进行二次网络环境检测，根据一次网络环境检测和二次网络环境检测的结果判断网络环境是否异常。
6、进一步的，获取服务器内的网络流量数据的过程包括：
7、设置若干个网络流量采集终端，对每个网络流量采集终端进行配置，并生成对应的配置通道，链接对应的服务器，网络流量采集终端通过配置通道获取对应服务器内网络流量数据
8、进一步的，对获取的网络流量数据进行一次网络环境检测的过程包括：
9、构建二维坐标系，将获取的网络流量数据进行量化，并将量化的结果映射在坐标系内，获得对应的网络流量数据样本点；
10、设置网络流量数据样本点族群，并将网络流量数据样本点族群的数量记为k，将网络流量数据样本点分为k个族群，从每个网络流量数据样本点族群中各随机选择一个网络流量数据样本点记为初始聚类中心网络流量数据样本点；
11、将网络流量数据样本点的横坐标和纵坐标与初始聚类中心网络流量数据样本点的横坐标和纵坐标的差值的绝对值的和记为网络流量数据样本点与初始聚类中心网络流量数据样本点之间的折线距离；
12、将网络流量数据样本点与初始聚类中心网络流量数据样本点之间的距离记为直线距离；
13、将网络流量数据样本点与初始聚类中心网络流量数据样本点之间的折线距离和直线距离的平均值记为网络流量数据样本点与初始聚类中心网络流量数据样本点之间的聚类距离；
14、计算每个网络流量数据样本点与每个初始聚类中心网络流量数据样本点之间的折线距离和直线距离，通过计算得到的折线距离和直线距离获取网络流量数据样本点与初始聚类中心网络流量数据样本点之间的聚类距离；
15、比较每个网络流量数据样本点与每个初始聚类中心网络流量数据样本点之间的聚类距离，将每个网络流量数据样本点分配至聚类距离最小的初始聚类中心网络流量数据样本点所在的族群；
16、计算每个族群内网络流量数据样本点和初始聚类中心网络流量数据样本点横坐标以及纵坐标的平均值，将计算所得到的平均值组成的坐标作为新的聚类中心网络流量数据样本点；
17、计算网络流量数据样本点与新的聚类中心网络流量数据样本点之间的聚类距离，将每个网络流量数据样本点分配至聚类距离最小的新的聚类中心网络流量数据样本点所在的族群，计算每个族群内网络流量数据样本点和新的聚类中心网络流量数据样本点横坐标以及纵坐标的平均值，将计算所得到的平均值作为最新的聚类中心网络流量数据样本点，以此类推，进行若干轮重复计算；
18、将每个网络流量数据样本点与其所在族群内其他网络流量数据样本的坐标进行比对，根据比对结果判断是否存在网络流量数据样本点的坐标异常，若存在网络流量数据样本点的坐标异常，则一次网络环境检测异常，若不存在网络流量数据样本点的坐标异常，则一次网络环境检测正常。
19、进一步的，计算每个网络流量数据样本点与每个初始聚类中心网络流量数据样本点之间的折线距离的过程包括：
20、获取网络流量数据样本点的坐标和初始聚类中心网络流量数据样本点的坐标，获取网络流量数据样本点的横坐标和纵坐标与初始聚类中心网络流量数据样本点的横坐标和纵坐标的差值的绝对值，将所获取的网络流量数据样本点的横坐标和纵坐标与初始聚类中心网络流量数据样本点的横坐标和纵坐标的差值的绝对值相加得到网络流量数据样本点和初始聚类中心网络流量数据样本点之间的折线距离。
21、进一步的，计算每个网络流量数据样本点与每个初始聚类中心网络流量数据样本点之间的直线距离的过程包括：
22、将所获取的网络流量数据样本点的横坐标和纵坐标与初始聚类中心网络流量数据样本点的横坐标和纵坐标的差值的绝对值分别进行平方运算，将运算的结果相加，将相加的结果进行开方运算，开方运算的结果为网络流量数据样本点和初始聚类中心网络流量数据样本点之间的直线距离。
23、进一步的，对复制的网络流量数据进行二次网络环境检测的过程包括：
24、构建二维坐标系，将复制的网络流量数据进行量化，并将量化的结果映射在坐标系内，获得对应的二次网络流量数据样本点；
25、将两个二次网络流量数据样本点的横坐标和纵坐标差值的绝对值中的最大值记为两个二次网络流量数据样本点之间的二次折线距离；
26、将两个二次网络流量数据样本点之间的二次折线距离和直线距离的平均值记为两个二次网络流量数据样本点之间的可达距离；
27、计算每个二次网络流量数据样本点与其他二次网络流量数据样本点之间的二次折线距离和直线距离，通过计算得到的二次折线距离和直线距离获取每个二次网络流量数据样本点与其他二次网络流量数据样本点之间的可达距离；
28、设置二次网络流量数据样本点与其他二次网络流量数据样本点之间的可达距离阈值，统计在可达距离阈值内的其他二次网络流量数据样本点数量，设置在可达距离阈值内的其他二次网络流量数据样本点数量的阈值，将在可达距离阈值内的其他二次网络流量数据样本点数量多于数量的阈值的二次网络流量数据样本点记为核心网络流量数据样本点；
29、若两个核心网络流量数据样本点之间的可达距离小于可达距离阈值，则将两个核心网络流量数据样本点分配到同一个族群；
30、若剩余未被分配到任何族群的二次网络流量数据样本点和核心网络流量数据样本点，则二次网络环境检测异常；
31、若未剩余未被分配到任何族群的二次网络流量数据样本点和核心网络流量数据样本点，则二次网络环境检测正常。
32、进一步的，计算每个二次网络流量数据样本点与其他二次网络流量数据样本点之间的二次折线距离的过程包括：
33、获取每个二次网络流量数据样本点的坐标和其他二次网络流量数据样本点的坐标，获取每个二次网络流量数据样本点的横坐标和纵坐标与其他二次网络流量数据样本点的本文档来自技高网...
【技术保护点】
1.一种基于无监督学习的网络环境检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于无监督学习的网络环境检测方法，其特征在于，获取服务器内的网络流量数据的过程包括：
3.根据权利要求2所述的一种基于无监督学习的网络环境检测方法，其特征在于，对获取的网络流量数据进行一次网络环境检测的过程包括：
4.根据权利要求3所述的一种基于无监督学习的网络环境检测方法，其特征在于，计算每个网络流量数据样本点与每个初始聚类中心网络流量数据样本点之间的折线距离的过程包括：
5.根据权利要求4所述的一种基于无监督学习的网络环境检测方法，其特征在于，计算每个网络流量数据样本点与每个初始聚类中心网络流量数据样本点之间的直线距离的过程包括：
6.根据权利要求3所述的一种基于无监督学习的网络环境检测方法，其特征在于，对复制的网络流量数据进行二次网络环境检测的过程包括：
7.根据权利要求6所述的一种基于无监督学习的网络环境检测方法，其特征在于，计算每个二次网络流量数据样本点与其他二次网络流量数据样本点之间的二次折线距离的过
8.根据权利要求6所述的一种基于无监督学习的网络环境检测方法，其特征在于，根据一次网络环境检测和二次网络环境检测的结果判断网络环境是否异常的过程包括：
...【技术特征摘要】
1.一种基于无监督学习的网络环境检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于无监督学习的网络环境检测方法，其特征在于，获取服务器内的网络流量数据的过程包括：
3.根据权利要求2所述的一种基于无监督学习的网络环境检测方法，其特征在于，对获取的网络流量数据进行一次网络环境检测的过程包括：
4.根据权利要求3所述的一种基于无监督学习的网络环境检测方法，其特征在于，计算每个网络流量数据样本点与每个初始聚类中心网络流量数据样本点之间的折线距离的过程包括：
5.根据权利要求4所述的一种基于无监督学习的网络环境检测方法...
【专利技术属性】
技术研发人员：张婷，鞠淼，王秀山，
申请(专利权)人：内蒙古汇启网络服务有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。