基于改进极限学习机的分布式网络数据跨层异常检测

摘要

针对分布式网络中的数据由于网络状态和流量模式的快速变化，导致聚类结果难以准确反映数据的真实分布，从而影响异常检测准确性的问题，提出基于改进极限学习机的分布式网络数据跨层异常检测方法。通过信息熵，计算分布式网络数据的信息量，从而获取最优的概率分布，结合滑动窗口技术，构建最优概率分布下的权重衰减函数，实现分布式网络数据聚类，以准确反映数据的真实分布;引入PRe LU(Parametric Rectified Linear Unit)激活函数对极限学习机算法展开优化，并将聚类处理后的数据作为改进后极限学习机的输入，最终完成跨层异常检测。实验结果表明，所提方法可以有效提升分布式网络数据跨层异常检测效果。

关键词

改进极限学习机 / 分布式网络数据 / 跨层 / 异常检测