基于WLAN流量分类的智能家居设备的识别与控制

发布时间：2021-06-29 16:37

　　目前,随着科技的飞速发展,智能家居给人们的居住环境带来了很大提升。另外,随着城市的流动人口急剧增加,传统的人防安保模式已经很难满足社会安防的需要,因此有必要拥有一套智能家居系统来保障小区住宅用户的财产安全以及防止偷盗和抢劫等恶性事件的发生。随着WLAN的发展,基于WLAN通信的智能家居设备也越来越普及,对家居设备的识别与控制可以有效地分析智能家居设备的状态以及实现一体化控制智能家居设备,实现不同品牌智能家居的融合,为将来智能家居统一标准积累数据,因此研究基于智能家居设备的识别与控制是一个很重要的课题。本文主要从智能家居设备的识别、智能家居设备的故障检测、智能家居设备的控制等三个方面进行研究实现,并设计了一个智能家居设备控制系统。本论文主要工作如下:首先,根据智能家居设备的WLAN数据流量特点,对比分析了基于特征值统计的识别方法和基于关键包签名的识别方法,提出了一种利用端口号识别以及有效负载长度的分布相结合的识别方法。详细分析了该方法所采用的数据流模型、识别流程、实验环境、对比实验结果等,结果证明该识别方法具有较高的查全率与查准率。其次,将识别出来的智能家居设备进一步分析其流量特征,探测... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

WLAN流量分类与识别方法

该方法采用了一种无监督的贝叶斯分类器AutoClass[36]，利用该方流量基于该流量特征可以自动分类，并且使用NetMate[37]工具收集不同互联网量并进行跟踪以此来计算最佳特征值，并确定不同特征的影响，利用该方法进量分类的时间越长，则分类和识别的准确率更高。J. Erman等人[38]在 2007 年提一种web与点对点的网络核心流量的分类与识别方法，其主要采用了K-Means算用网络核心的出入口流量类别进行分类和识别流量，同时利用数据包平均长度据包间隔时间等作为特征值，并验证出该方法的准确率较高。2015 年，A. Mun人[39]对网络流量分类中的K-means、K-nearest和EM等无监督机器学习方法进行能评价，包括分类精度、分类速度和内存消耗等。得出K-nearest方法具有更高类精度和更好的内存，而K-means方法的处理时间更短。而在现阶段的WLA环境中，根据其信号强度的大小，其网络数据包总是会出现延迟、乱序、重传况，很难保证WLAN数据包能按照序列号依次到达，因此很难保证利用基于无的机器学习方法进行WLAN流量的准确性、稳定性和实用性。

S. K. Murthy[40]提出了有关决策树的概述，其中ID3[41]、C4.5[42]等都是决的代表方法。1995 年，C. Cortes等人[43]首次提出了支持向量机的方法，该方法其不要求样本空间均匀分布，不需要经过网络流量属性规则的过滤，因此其具高的分类准确率，并且稳定性较高。2013 年，L. Ding等人[44]曾提出一种改进的向量机的的机器学习流量分类和识别方法，该方法通过建立网络流量中的特征分布区域来进行流量分类。T. Auld等人[45]提出利用贝叶斯神经网络通过 246 个特征对流量进行分类，其分类方法的准确率远远高于朴素贝叶斯方法，该方法了在不同的应用程序类型中实现分类的高精度，且不需要任何源地址、目的主址或端口信息。而遗传算法则是借鉴了生物进化规律，该方法可以根据网络环要调整搜索方式，不限制于固定的规则。H. R. Tyan等人[46]在 2006 年提出了一于遗传算法的快速可靠的根据应用类型对数据流量进行分类的方法，并且采用树进行实验，最后验证了该方法具有更高的准确率。由于基于有监督的机器学法较多，所以一般情况下，研究者会根据不同的环境需要来选择相应的算法。

【参考文献】：
期刊论文
[1]蓬勃发展的Wi-Fi产业[J]. 赵法彬.  数字通信世界. 2015(02)
[2]网络流量分类及其现状研究[J]. 李斌.  广西教育. 2013(39)
[3]基于粒子群算法及高斯分布的WSN节点故障诊断[J]. 余成波,李芮,何强,余磊,谭俊.  振动.测试与诊断. 2013(01)
[4]网络流量分类与应用识别的研究[J]. 刘颖秋,李巍,李云春.  计算机应用研究. 2008(05)

博士论文
[1]网络流量分类识别若干技术研究[D]. 周文刚.电子科技大学 2014

硕士论文
[1]基于行为特征的P2P网络流量分类方法研究[D]. 王传磊.西安电子科技大学 2012



本文编号：3256777