异常检测有哪些主要的分析方法
1.概率统计方法在基于异常检测技术的IDS中应用最早也是最多的一种方法。
首先要对系统或用户的行为按照一定的时间间隔进行采样，样本的内容包括每个会话的登录、退出情况，CPU和内存的占用情况，硬盘等存储介质的使用情况等。
将每次采集到的样本进行计算，得出一系列的参数变量对这些行为进行描述，从而产生行为轮廓，将每次采样后得到的行为轮廓与已有轮廓进行合并，最终得到系统和用户的正常行为轮廓。
IDS通过将当前采集到的行为轮廓与正常行为轮廓相比较，来检测是否存在网络入侵行为。2.预测模式生成法假设条件是事件序列不是随机的而是遵循可辨别的模式。
这种检测方法的特点是考虑了事件的序列及其相互联系，利用时间规则识别用户行为正常模式的特征。通过归纳学习产生这些规则集，并能动态地修改系统中的这些规则，使之具有较高的预测性、准确性。
如果规则在大部分时间是正确的，并能够成功地运用预测所观察到的数据，那么规则就具有高可信度。3.神经网络方法基本思想是用一系列信息单元(命令)训练神经单元，这样在给定一组输入后、就可能预测出输出。
与统计理论相比，神经网络更好地表达了变量间的非线性关系，并且能自动学习并更新。实验表明UNIX系统管理员的行为几乎全是可以预测的，对于一般用户，不可预测的行为也只占了很少的一部分。
谷歌人工智能写作项目：神经网络伪原创
什么是BP神经网络？
写作猫。
BP算法的基本思想是：学习过程由信号正向传播与误差的反向回传两个部分组成；正向传播时，输入样本从输入层传入，经各隐层依次逐层处理，传向输出层，若输出层输出与期望不符，则将误差作为调整信号逐层反向回传，对神经元之间的连接权矩阵做出处理，使误差减小。
经反复学习，最终使误差减小到可接受的范围。具体步骤如下：1、从训练集中取出某一样本，把信息输入网络中。2、通过各节点间的连接情况正向逐层处理后，得到神经网络的实际输出。
3、计算网络实际输出与期望输出的误差。4、将误差逐层反向回传至之前各层，并按一定原则将误差信号加载到连接权值上，使整个神经网络的连接权值向误差减小的方向转化。
5、対训练集中每一个输入—输出样本对重复以上步骤，直到整个训练样本集的误差减小到符合要求为止。
BP神经网络的原理的BP什么意思
人工神经网络有很多模型，但是日前应用最广、基本思想最直观、最容易被理解的是多层前馈神经网络及误差逆传播学习算法（ErrorBack-Prooaeation），简称为BP网络。
在1986年以Rumelhart和McCelland为首的科学家出版的《ParallelDistributedProcessing》一书中，完整地提出了误差逆传播学习算法，并被广泛接受。
多层感知网络是一种具有三层或三层以上的阶层型神经网络。
典型的多层感知网络是三层、前馈的阶层网络（图4.1），即：输入层、隐含层（也称中间层）、输出层，具体如下：图4.1三层BP网络结构（1）输入层输入层是网络与外部交互的接口。
一般输入层只是输入矢量的存储层，它并不对输入矢量作任何加工和处理。输入层的神经元数目可以根据需要求解的问题和数据表示的方式来确定。
一般而言，如果输入矢量为图像，则输入层的神经元数目可以为图像的像素数，也可以是经过处理后的图像特征数。
（2）隐含层1989年，RobertHechtNielsno证明了对于任何在闭区间内的一个连续函数都可以用一个隐层的BP网络来逼近，因而一个三层的BP网络可以完成任意的n维到m维的映射。
增加隐含层数虽然可以更进一步的降低误差、提高精度，但是也使网络复杂化，从而增加了网络权值的训练时间。
误差精度的提高也可以通过增加隐含层中的神经元数目来实现，其训练效果也比增加隐含层数更容易观察和调整，所以一般情况应优先考虑增加隐含层的神经元个数，再根据具体情况选择合适的隐含层数。
（3）输出层输出层输出网络训练的结果矢量，输出矢量的维数应根据具体的应用要求来设计，在设计时，应尽可能减少系统的规模，使系统的复杂性减少。
如果网络用作识别器，则识别的类别神经元接近1，而其它神经元输出接近0。
以上三层网络的相邻层之间的各神经元实现全连接，即下一层的每一个神经元与上一层的每个神经元都实现全连接，而且每层各神经元之间无连接，连接强度构成网络的权值矩阵W。
BP网络是以一种有教师示教的方式进行学习的。首先由教师对每一种输入模式设定一个期望输出值。然后对网络输入实际的学习记忆模式，并由输入层经中间层向输出层传播（称为“模式顺传播”）。
实际输出与期望输出的差即是误差。按照误差平方最小这一规则，由输出层往中间层逐层修正连接权值，此过程称为“误差逆传播”（陈正昌，2005）。
所以误差逆传播神经网络也简称BP（BackPropagation）网。随着“模式顺传播”和“误差逆传播”过程的交替反复进行。
网络的实际输出逐渐向各自所对应的期望输出逼近，网络对输入模式的响应的正确率也不断上升。通过此学习过程，确定下各层间的连接权值后。
典型三层BP神经网络学习及程序运行过程如下（标志渊，2006）：（1）首先，对各符号的形式及意义进行说明：网络输入向量Pk=（a1，a2，...，an）；网络目标向量Tk=（y1，y2，...，yn）；中间层单元输入向量Sk=（s1，s2，...，sp），输出向量Bk=（b1，b2，...，bp）；输出层单元输入向量Lk=（l1，l2，...，lq），输出向量Ck=（c1，c2，...，cq）；输入层至中间层的连接权wij，i=1，2，...，n，j=1，2，...p；中间层至输出层的连接权vjt，j=1，2，...，p，t=1，2，...，p；中间层各单元的输出阈值θj，j=1，2，...，p；输出层各单元的输出阈值γj，j=1，2，...，p；参数k=1，2，...，m。
（2）初始化。给每个连接权值wij、vjt、阈值θj与γj赋予区间（-1，1）内的随机值。（3）随机选取一组输入和目标样本提供给网络。
（4）用输入样本、连接权wij和阈值θj计算中间层各单元的输入sj，然后用sj通过传递函数计算中间层各单元的输出bj。
基坑降水工程的环境效应与评价方法bj=f（sj）j=1，2，...，p（4.5）（5）利用中间层的输出bj、连接权vjt和阈值γt计算输出层各单元的输出Lt，然后通过传递函数计算输出层各单元的响应Ct。
基坑降水工程的环境效应与评价方法Ct=f（Lt）t=1，2，...，q（4.7）（6）利用网络目标向量，网络的实际输出Ct，计算输出层的各单元一般化误差。
基坑降水工程的环境效应与评价方法（7）利用连接权vjt、输出层的一般化误差dt和中间层的输出bj计算中间层各单元的一般化误差。
基坑降水工程的环境效应与评价方法（8）利用输出层各单元的一般化误差与中间层各单元的输出bj来修正连接权vjt和阈值γt。
基坑降水工程的环境效应与评价方法（9）利用中间层各单元的一般化误差，输入层各单元的输入Pk=（a1，a2，...，an）来修正连接权wij和阈值θj。
基坑降水工程的环境效应与评价方法（10）随机选取下一个学习样本向量提供给网络，返回到步骤（3），直到m个训练样本训练完毕。
（11）重新从m个学习样本中随机选取一组输入和目标样本，返回步骤（3），直到网路全局误差E小于预先设定的一个极小值，即网络收敛。如果学习次数大于预先设定的值，网络就无法收敛。（12）学习结束。
可以看出，在以上学习步骤中，（8）、（9）步为网络误差的“逆传播过程”，（10）、（11）步则用于完成训练和收敛过程。通常，经过训练的网络还应该进行性能测试。
测试的方法就是选择测试样本向量，将其提供给网络，检验网络对其分类的正确性。测试样本向量中应该包含今后网络应用过程中可能遇到的主要典型模式（宋大奇，2006）。
这些样本可以直接测取得到，也可以通过仿真得到，在样本数据较少或者较难得到时，也可以通过对学习样本加上适当的噪声或按照一定规则插值得到。
为了更好地验证网络的泛化能力，一个良好的测试样本集中不应该包含和学习样本完全相同的模式（董军，2007）。
机械编程还能自己检测出BUG，机械编程带来了哪些好处？
首先，ControlFlag是完全自我监督的机器编程系统，不需要人类对其进行训练及指导。ControlFlag的无监督模式识别方法使它可以在本质上学习适应开发者的风格。
在要评估的控制工具的有限输入信息中，ControlFlag可以识别编程语言中的各种样式，不受代码使用的编程语言限制。
第二，ControlFlag检测bug的功能集成了机器学习、形式化方法、编程语言、编译器和计算机系统。
据悉，ControlFlag通过一个称为异常检测的功能来进行bug检测，通过学习经验证的例子来检测正常的编程模式，并找出代码中可能导致bug的异常。
该工具将学会识别和标记这些风格选择，并根据其见解进行自动的错误识别和建议解决方案，以便ControlFlag能够尽可能地避免将两个开发团队之间的风格差异视为代码错误。自动检测bug的系统好不好用？
英特尔已经开始评估内部使用ControlFlag来发现自己的软件和固件产品化中的错误。这是英特尔开发人员快速分析项目的一个关键组成部分，该项目旨在通过提供专家支持来帮助程序员加快速度。
机器编程更偏向随机英特尔机器编程研究系统ControlFlag从超过十亿行的代码中学习，英特尔研究院机器编程研究表示，这在机器编程系统中尚属首次。
另外，对于跨架构硬件来说，能够正确、高效、安全地编写代码的程序员稀少，从而导致代码中存在难以发现的新错误。
而ControlFlag检测现有软件中的违规或异常情况，使可能已经在生产质量系统中存在了20多年的隐疾得以发现。
过去可能有数百名开发人员查看过这些代码，但都没有意识到任何问题，现在ControlFlag可以实现人力不能达到的效果。
英特尔研究院机器编程研究融合了两种方法，来推动大量的机器编程研究，一种是形式化方法，一种是随机方法（stochasticapproaches）。
英特尔研究院机器编程研究分析目前业界在机器编程领域方面的工作发现，机器编程更偏向随机方法，并得到了很大的重视，例如深度神经网络和贝叶斯网络（Bayesiannetworks）等等。
事实上，英特尔研究院机器编程研究表示，他们的某些合作伙伴或竞争对手正在做神经网络编程，使用神经网络来替换大量代码。这样做有好处，但是当遇到诸如可解释性或debug问题时，这样做也有风险。
在正确的应用场景，机器编程对开发效率的提升惊人。Justin表示，在某个案例中，用传统的软件技术，开发完成大约需要三年时间，有了先进的机器编程技术，只需要花一天的时间，就能开发完成同样质量的软件。
“很多例子表明，不管是与我们的合作伙伴项目，还是我们自己内部的开发项目，机器编程都将生产率提高了一千倍以上。”降低行业准入门槛，从业者创造性会更强机器编程发展是否会让英特尔的程序员失业呢？
Justin表示：不会。相反，机器编程实际上会创造数千万到数亿个就业机会。他进一步解释到：首先，当今存在的大多数机器编程系统都需要大量的数据，这些数据通常是以代码的形式存在，而代码是由专业程序员编写。
因此，随着自动化的发展，英特尔研究院机器编程研究对高技能程序员的需求增加，以推进系统的进步升级。
最重要的是，如果英特尔研究院机器编程研究的意图系统成功，即允许用户向机器表达他或她的意图的系统，这将降低行业准入门槛。
机器编程会为全新类型的程序员创造大平台，从业者创造性会更强，而机器和系统会把这些想法综合起来做出软件。
如今，通过ControlFlag和类似的系统，程序员可以显著减少调试时间，并将更多的时间花在人类程序员最擅长的工作——向机器呈现创造性的新思想。
完全实现的ControlFlag可以通过自动化繁琐的软件开发工作(如测试、监控和调试)来帮助缓解上述挑战，同时可以解决当前软件开发中耗时费力代价昂贵的bug修复问题。
图：在全球78亿人中，只有2700万人会编写代码，占比不到1%。英特尔希望借助机器编程技术，使所有人获得编程能力。英特尔推进机器编程的最终目标是让每个人都能创建软件。
当这一目标完全实现时，每个人都可以通过自己最擅长的方式，如代码、自然语言或其他方式向机器表达自己的设计意图，从而创建软件。这是一个大胆的目标，需要英特尔及合作伙伴付出许多努力。
做理性自由的破题者算法与算力的进步，以及可用代码库的极大丰富，让机器编程拥有适宜的孕育环境；随着近年计算技术的迅猛发展，机器编程迎来重要拐点。
英特尔一直以来的作风便是积极打破传统，开拓新的研究或工程领域，这些领域在英特尔研究院机器编程研究突破界限之前还无人涉及。
此次异构系统领域亦是一片“处女地”，英特尔的创新驱动力来自于对这一未来技术趋势的预测。
图：英特尔与麻省理工学院研究人员联合发表的愿景论文提出机器编程有三大支柱，分别是意图（intention）、创造（invention）、适应（adaptation）如前所述，异构系统非常复杂，能够切实掌握异构系统编程技术的工程师少之又少，英特尔研究院机器编程研究正在开发某种机制，让程序员或非程序员不仅能够轻松访问异构硬件，还能充分使用其他系统可用资源，以大幅降低异构编程难度。
这也是英特尔机器编程的基本驱动力之一。
?