基于流相关性的自学习网络流量分类研究

发布时间：2024-05-13 06:46

　　流量分类是网络管理中的一项基本任务,它将应用程序与其生成的数据包或流相关联。它有助于在网络中对资源的使用进行分配、控制和监视,并在支持服务质量(Qo S)的网络和网络安全领域中发挥重要作用。但随着互联网的快速发展,新的网络应用程序层出不穷,针对上述情况,研究者们提出了多种不同的流量分类研究方法。网络流量分类的方法概括起来有以下三种方式:基于端口、基于载荷以及基于机器学习。目前基于机器学习的网络流量分类技术正在被广泛地使用,但是往往遇到以下问题:网络流量类不平衡问题以及难以适应动态的实时网络流量。为此,本文提出了以下解决方法:首先,大量的机器学习方案没有考虑网络流量类不均衡问题,这通常会导致分类器只能正确分类出多数流量类,少数流量类被错误分类而造成性能下降,本文经过大量研究,使用流量的相关性以及使用距离参数来优化KNN算法决策边界,提出了一种基于网络流相关性和优化KNN算法的网络流量分类方法(KNN-C)。该方法能够在解决网络流量类不均衡问题同时实现高精度分类;其次,本文提出了自学习网络流量分类方法(SNTC)。由于网络的动态性,基于机器学习的分类很快就会过时。这意味着每当网络上出现新的...

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

图3-3六类流量对下五种

哈尔滨理工大学工学硕士学位论文-20-到优化后的分类结果。为了进行性能评估，在使用的数据集上进行了大量的实验。本文给出了超过100次运行的平均性能。将本文流量分类方案与四种最先进的流量分类方法：KNN、C4.5、BN和NB进行了比较。首先我们按照表3-1中所示，按照流数目的多少，....

图3-3六类流量对下五种流量分类方法的F值比较

哈尔滨理工大学工学硕士学位论文-20-到优化后的分类结果。为了进行性能评估，在使用的数据集上进行了大量的实验。本文给出了超过100次运行的平均性能。将本文流量分类方案与四种最先进的流量分类方法：KNN、C4.5、BN和NB进行了比较。首先我们按照表3-1中所示，按照流数目的多少，....

图3-4六类流量对下五种流量

哈尔滨理工大学工学硕士学位论文-21-以上。可以注意到，KNN-C的优越性是由于对于不平衡数据处理的优秀功能。之前所述，本文使用了两种方法来应用于不平衡流量的分类。第一步是移动决策边界，第二步借鉴了流相关方法的思想，大大提高了小类的分类性能。接下来，进一步研究为什么KNN-C在小....

图3-4六类流量对下五种流量分类方案的精确率和召回率

哈尔滨理工大学工学硕士学位论文-21-以上。可以注意到，KNN-C的优越性是由于对于不平衡数据处理的优秀功能。之前所述，本文使用了两种方法来应用于不平衡流量的分类。第一步是移动决策边界，第二步借鉴了流相关方法的思想，大大提高了小类的分类性能。接下来，进一步研究为什么KNN-C在小....

本文编号：3972539