基于深度学习的网络流量分类技术研究

发布时间：2020-05-22 03:50

【摘要】：网络流量分类一直是学术界、产业界和网络监管部门共同关注的热点之一,是指将混合流量分成不同的流量类别,依据是不同的网络应用或协议的特征或参数。一方面,网络安全领域需要识别入侵流量;另一方面,进行网络管理时需要对不同应用的流量分类分析,从而合理控制和分配资源,保证网络QoS。随着网络流量的数据量和种类的大量增加,传统分类方法难以满足要求,基于机器学习的算法成为网络流量分类的研究热点。针对机器学习特征工程造成的瓶颈,本文研究了以卷积神经网络为主的深度学习算法在网络流量分类中的应用,主要工作如下:一、为充分利用网络流量数据的时间特征,本文将三维卷积神经网络应用于网络流量分类。将原始网络流量按网络流进行划分后,提取每个流前部相同数目的数据包,每个数据包保留前部的相同长度。每个流中数据包的序列作为一个维度,每个数据包中的数据利用one-hot编码转换为二维。预处理后的数据相当于视频处理中的多帧灰度图,构成三维卷积神经网络的输入。本文采用Tensorflow平台搭建三维卷积神经网络进行仿真,验证了方法的有效性:与基于二维卷积神经网络的网络流量分类器相比,本文取得了更高的准确率;与将时间特征用循环神经网络处理的组合分类器相比,本文在保证准确率的情况下参数量与计算量明显减小。二、针对卷积神经网络将未知类别强行划分为已知类造成的差错,本文对网络的类别判断层进行了改进。通过仿真实验,本文验证了类别判断错误(包括未知类别)时,概率最大的类别对应概率值的分布明显区分于判断正确时概率值的分布。根据以上发现,本文为类别判断层设置了动态阈值,在训练发现的最优阈值下,本文能有效识别未知类别。仿真实验证明,本文对未知类别的处理使系统分类准确率提升了 11个百分点。此外,本文对划分出的未知流量数据通过标记后用于系统更新,系统整体的准确性得到提高。
【图文】：

网络分析与管理提供指导，例如在资源有限时，根据不同应用的流量统计，对逡逑各应用进行不等的带宽划分。因此，网络流量分类根据分类粒度主要分为特殊逡逑流量识别和具体流量分类，分别对应于上述两种需求，如图１－１。本文主要研宄逡逑后者，对混合流量进行多分类，为网络流量的统计分析与管理打下技术基础。逡逑１逡逑

深度学习逡逑１９５０邋１９６０邋１９７０邋１９８０逦１９９０邋２０００邋２０１０逡逑图２－１人工智能、机器学习、深度学习关系逡逑人工神经网络（Ａｒｔｉｆｉｃｉａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋｓ，邋ＡＮＮ邋）邋［３９］是深度学习研究的起源，逡逑根据生物学中的神经元结构构建人工神经元模型，结构如图２－２。来自外界的输逡逑入为ｘ，？，，各输入对神经元作用的权值是ｗ，，神经元的总输入是各输入量的加权和逡逑ＸＷ，＋邋，纟是神经元的偏置，即阈值，与输入信号相加构成激励信号，通过激励逡逑函数／（？；）产生神经元的输出信号：逡逑ｙ＾／ＣＺｗ：ｘｉ＋ｂ）逦（２－１）逡逑９逡逑
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP393.06;TP181

【相似文献】

相关期刊论文 前10条

1 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期

2 陈晓燕;;浅析简单神经网络的发展及简单模型[J];数字技术与应用;2019年05期

3 迟惠生;陈珂;;1995年世界神经网络大会述评[J];国际学术动态;1996年01期

4 吴立可;;脉冲神经网络和行为识别[J];通讯世界;2018年12期

5 林嘉应;郑柏伦;刘捷;;基于卷积神经网络的船舶分类模型[J];信息技术与信息化;2019年02期

6 俞颂华;;卷积神经网络的发展与应用综述[J];信息通信;2019年02期

7 韩真;凯文·哈特尼特;;为神经网络的通用理论建造基石[J];世界科学;2019年04期

8 鲍伟强;陈娟;熊涛;;基于进化神经网络的短期电力负荷预测研究[J];电工技术;2019年11期

9 王丽华;杨秀萍;王皓;高峥翔;;智能双轮平衡车的设计研究[J];数字技术与应用;2018年04期

10 张庭略;;基于硬件的神经网络加速[J];通讯世界;2018年08期

相关会议论文 前10条

1 孙军田;张U

本文编号：2675392