网络性能多维分析系统安全预警研究及实现

《网络性能多维分析系统安全预警研究及实现》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、贵州大学硕士学位论文网络性能多维分析系统安全预警研究及实现姓名：沈骋申请学位级别：硕士专业：软件工程指导教师：王翰虎20061101摘要网络性能安全预警在贵州移动的网络管理中具有重要的意义。我们实现的“网络指标安全预警系统”通过对不同维度的展现，可以从不同角度查看分析海量数据，帮助移动企业决策者提高企业内部的科学决策能力，加大理性的数字分析能力，增强市场经营方面的正确判断力，改善客户关系，赢得客户忠诚度。基于企业预警指标之上的警界线的划分和警度的评判是企业预警管理系统的研究难点．本文针对企业预警研究存在的问题，将人工神经网络BP模型应用于企业预警系统中．

2、BP网络模型克服了传统模式难以处理高度非线性模型、客错性差、预警戏和预警区城不具备时变性、缺少自学习能力等缺陷．通过模型的网络设计和仿真实验，证实了这种方法的有效性和广泛的应用前景。关键词：数据挖掘，网络指标预警，BP神经网络，数据抽取，联机分析处理nAbstractItisimportantmeaningsafetyearly-warningofnetworkperformanceinnetworkmanagementofGuiZhoumob豇eInc．”Safetyearly—warningsystemofnetworkperformance”isa

3、bletohelpleaderofmobilecompanyimproveabilityofdecision．makinginsidecompany，throughcheckdatefrompointofdifferent．ThecustomerrelyerMobilecompanybecausethesystemimprovebetweencompanyandrelationofcustomer．Basedupontheindexofenterpriseearly·warningsystem，thepartitionofwatchlineandjudg

4、mentofwarningdegree，aretheresearchnodiinenterpriseearly’warningmanagementsystem．Inviewofexistingprobleminthisfield，thepaperappliestheBPmodelofArtificialNeuralNetworkstheorytotheearly-warningsystemofenterprise．BPmodelovercomesmanylimitationsoftraditionalpatterns·Suchasdifficulties

5、inprocessinghighlynon—linearmodel，badperformancesoffaulttolerance，absenceoftime—varyingvolatilityinEarly—warninglineandEady。warningregion，lackofself-studyandthelike．ThroughthedeigningofmodelandsimulMion，thepaperprovestheeffeetivenesandwideprosperityofthismethod．Keywords：DataMinin

6、g，early·warningsystem，BPneuralnetwork，ETL，0LAP111前言近年来，在市场经济的激烈竞争中，企业必须把业务经营同市场需求联系起来，为此，企业纷纷建立起了自己的数据库系统，由计算机管理代替手工操作。各个企业和部门通过自己的数据库管理系统，经过长年努力，已经积累了越来越多的数据。于是，人们开始渴望通过对这些庞大的数据分析得到更多的有助于决策的信息。虽然，目前的数据库系统可以高效率地实现数据的录入、查询、统计等功能，但由于数据量庞大以及数据库系统中分析方法的严重缺乏，使得它无法发现数据中隐藏的相互联系，更无法根据当前的

7、数据去预测未来的发展趋势。因此，出现了所谓“数据多，知识少”的现象，造成了严重的资源浪费。数据挖掘(DataMining)是从大量的、不完全的、有嗓声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识，是一个反复迭代的过程。随着信息技术的高速发展，积累的数据量急剧增长，动辄以TB计，如何从海量的数据中提取有用的知识成为当务之急。数据挖掘就是为顺应这种需要应运而生发展起来的数据处理技术。由于实际工作的需要和相关技术的发展，利用数据库技术来存储管理数据，利用机器学习的方法来分析数据，从而挖掘出大量的隐藏在数据背后的知识，这

8、种思想的结合形成了现在深受人们关注的非常热门的研究领域：数据库中的知识发现(KD