学习机制，它以随机性的思想理论为依托，能够对多个类别的可信程度进行衡量。但由于随机性无法进行准确计算，所以需要建立一个能够计算，并且还符合随机性原理的检测函数，对置信度进行评估。KNN是一种较为典型的分类算法，也被称之为K-邻近算法，它在对分类进行建立的过程中，无需假定分布结构，因该算法的计算过程较为简单，加之易于实现，从而使其周期网络异常流量检测中得到广泛应用。但在实际应用中发现，如果样本处于不平衡的条件时，则可能会使待分类的样本被分到不是目标类的大样本当中，由此会对检测结果的准确性造成影响。本文所提出的TCM-KNN算法是上述两种算法的融合，可也将其称之为结合算法。下而重点对该算法在网络流量异常检测中的应用进行分析。
在应用TCM-KNN算法对网络流量异常进行检测的过程中，需要构建起一个正常的行为模型，据此对待检测的流量数据进行判定，看是否正常。对于正常类别y而言，待检测流量数据样本i的对应奇异值αiy可用下式表示：
通过式（1）的计算方法进行计算后，异常流量样本的奇异值要大于正常样本奇异值，这样便于区分正常与异常流量数据。在TCM-KNN算法中，需要对待测样本与簇的中心距进行计算，选取距离最短的簇作为正常训练集。通常情况下，距离越短，表明待测样本与簇内样本的相似程度越高，经过计算，可以得到待测及正常样本的奇异值，若是P值比预先设定好的闽值小，说明置信度较高，可用1-τ作为异常流量数据判定的关键性指标。
2.3 算法实验
为对本文所提出的TCM-KNN算法的可行性及有效性等方而进行验证，先对网络中的正常数据进行聚类，同时为使实验过程变得更加简单和方便，选取DARPA数据集进行试验验证。具体的实验方法如下：选取第一周的正常数据作为正常数据的训练集，同时选取第二周的数据作为待检测数据，第二周的数据集当中，存在多种不同类型的攻击实例，因此，可用于对TCM-KNN算法的验证。检测率与误报率是目前国际上通用的两个评价指标。实验步骤如下：
采用随机抽取的方式，从第一周的数据中对正常数据进行选取，然后从第二周的数据中，对待测数据进行选取，再从第三周数据中，选取正常数据来完成异常流量检测。在对TCM-KNN算法进行应用的过程中，需要对置信度闽值进行设定，结合前人的研究成果，该值设定为0.05。在对本文提出的TCM-KNN算法进行验证的过程中，为更加直观地反映出该算法在网络流量异常检测方而的准确程度，本次实验通过数据对比的方法进行具体验证（限于篇幅，数据选取及计算过程省略）。在算法的验证中，k值的选取是关键性环节，既不可过小，也不宜过大，以免对算法的准确性造成影响。需要注意的是，随着k值的增大，检测时问会随之延长，因此，在对该算法进行实际应用时，要对以下因素进行综合考虑：准确率、有效性以及耗时等。经过验证，建议在应用TCM-KNN算法对网络流量异常进行检测时，k值可以选择8，由此能够获得理想的检测结果。由此可见，本文所提出的TCM-KNN算法在网络流量异常检测中具有良好的适用性，只要k值选择的合理，便可以确保检测结果的准确率。
3 结论
综上所述，在计算机网络环境当中，为确保网络运行的稳定性，就必须保证网络流量始终处于正常状态，然而受到DDOS及蠕虫病毒的攻击，会造成网络流量异常，对此，本文提出一中检测算法，即TCM-KNN算法，经过该算法在网络流量异常检测中具有良好的适用性，当k值选择合理时，能确保检测结果的准确率。
参考文献
[1]吕军晖，于龙洋，张瑾.Ntada： -种网络流量异常检测算法[J].经济与管理战略研究，2012（ 01）：128-146
[2]朱俚治，朱梧 木檀.一种检测网络流量异常和网络攻击的算法[J].计算技术与自动化，2017，36 （01）：92-97.
[3]叶坤，网络流量异常检测方法的研究与改进[J].南京工业大学，201 5.
[4]朱俚治，粗糙集与MMTD算法的网络流量异常研究[J].计算机与数字工程，2 17（ 01）：110-114.
[5]吕军，李星，一种网络流量异常检测算法[J].计算机应用研究，2006，23（11）：217-219.
[6]米捷，王佳欣，多层次数据中心网络流量异常检测算法[J].河南工程学院学报（自然科学版），2 01 7，29 （01）： 62-66.
[7]曾建华.一种基于核PCA的网络流量异常检测算法[J].计算机应用与软件，2018 （03）：140-144.
[8]付强，甘亮，李爱平，吴泉源.一种基于主成分分析算法的网络异常检测实现[J].南京师范大学学报（工程技术版）.2008，8 （04）：13-16，
[9]侯重遠，江汉红，芮万智，刘亮.工业网络流量异常检测的概率主成分分析法[J]，西安交通大学学报，2012，46 （02）： 70-75.