關於大數據T+1執行流程
關於大數據T+1執行流程 前提： 搭建好大數據環境（hadoop hive hbase sqoop zookeeper oozie hue） 1.將所有數據庫的數據匯總到hive (這里有三種數據源 ORACLE MYSQL SEQSERVER) 全量數據抽取示例： ORACLE ...
原文：大數據DDos檢測——DDos攻擊本質上是時間序列數據，t+1時刻的數據特點和t時刻強相關，因此用HMM或者CRF來做檢測是必然！ 和一個句子的分詞算法CRF沒有區別！
DDos攻擊本質上是時間序列數據，t 時刻的數據特點和t時刻強相關，因此用HMM或者CRF來做檢測是必然 和一個句子的分詞算法CRF沒有區別 注：傳統DDos檢測直接基於IP數據發送流量來識別，通過硬件防火牆搞定。大數據方案是針對慢速DDos攻擊來搞定。難點：在進行攻擊的時候，攻擊數據包都是經過偽裝的，在源IP 地址上也是進行偽造的，這樣就很難對攻擊進行地址的確定，在查找方面也是很難的。這樣就導致 ...
2017-06-24 15:37 1 2362 推薦指數：
相關推薦
MySQL回滾到某一時刻數據的方法
MySQL回滾到某一時刻數據的方法 對於有歸檔日志的數據庫來說，原理上都具備全庫回滾到之前某一時刻的能力。在這方面最好用的Orale數據庫，使用 ...
ARIMA模型——本質上是error和t-?時刻數據差分的線性模型！！！如果數據序列是非平穩的，並存在一定的增長或下降趨勢，則需要對數據進行差分處理!ARIMA（p，d，q）稱為差分自回歸移動平均模型，AR是自回歸， p為自回歸項； MA為移動平均，q為移動平均項數，d為時間序列成為平穩時所做的差
https://www.cnblogs.com/bradleon/p/6827109.html 文章里寫得非常好，需詳細看。尤其是arima的舉例！ 可以看到：ARIMA本質上是error和t-?時刻數據差分的線性模型！！！ ARIMA模型全稱為自回歸積分滑動平均模型 ...
DDoS攻擊流量檢測方法
檢測分類 1）誤用檢測 誤用檢測主要是根據已知的攻擊特征直接檢測入侵行為。首先對異常信息源建模分析提取特征向量，根據特征設計針對性的特征檢測算法，若新數據樣本檢測出相應的特征值，則發布預警或進行反應。 優點:特異性，檢測速度快，誤報率低，能迅速發現已知的安全威脅。 缺點:需要人為更新特征 ...
HMM、CRF、MEMM區別
隱馬爾可夫模型（Hidden Markov Model，HMM），最大熵馬爾可夫模型（Maximum Entropy Markov Model，MEMM）以及條件隨機場（Conditional Random Field，CRF）是序列標注中最常用也是最基本的三個模型。 HMM首先出現，MEMM ...
條件隨機場——時間序列（句子單詞序列也算），其特征函數必須要考慮前一刻的數據
摘自：https://www.zhihu.com/question/35866596/answer/139485548 用一個活生生的例子來說明條件隨機場的，十分的通俗易懂！原文在這里 [Introduction to Conditional Random Fields ...
使用深度學習檢測DGA（域名生成算法）——LSTM的輸入數據本質上還是詞袋模型
from:http://www.freebuf.com/articles/network/139697.html DGA（域名生成算法）是一種利用隨機字符來生成C&C域名，從而逃避域名黑名單檢測的技術手段。例如，一個由Cryptolocker創建的DGA生成域 ...
重新定義數據庫歷史的時刻——時間序列數據庫Schwartz認為InfluxDB最有前途，Elasticsearch也不錯
。他同時也做過許多開源軟件的性能分析、監控和管理工作。同時他還對許多不同的數據庫社區有所貢獻，包括Orac ...