一种时效增强的机载网络流量识别方法

发布时间：2021-01-22 03:27

　　机载网络拓扑动态性强,带宽受限等特点导致其难以为多样化的航空集群作战任务提供可靠的信息交互服务,因此需要对网络中的"大流量对象"进行实时识别,从而优化流量控制,提升网络性能。针对该问题,基于机器学习贝叶斯模型,提出一种时效增强的流量识别方法,首先通过对原始流量数据集进行预处理得到数据流训练子集,并基于贝叶斯网络模型构造子分类器,然后基于多窗口动态贝叶斯网络分类器模型实现大流量对象的早期识别。仿真结果表明,相较于现有的大流识别方法,所提方法可以在保证识别准确性的条件下有效提升识别时效性。 

【文章来源】：西北工业大学学报. 2020,38(02)北大核心

【文章页数】：10 页

【部分图文】：

某机载网络中的数据流分布情况

针对机载网络中基于ISF特征的大流识别,本文构造了多窗口动态贝叶斯网络分类模型(multi-window dynamic bayesian network classifier,MWD-BNC),如图2所示。在ISFC线下训练阶段,设置n个训练窗口值递增的ISW-T,通过提取原始数据集流量在不同窗口值下的前部子流特征,从而将原始数据流训练集转换为n个数据流ISF子训练集,之后通过贝叶斯网络搜索算法生成n个相应的子ISFC,最后按照窗口值升序,将n个子ISFC的依次组合,从而构成MWD-BNC。在数据流线上识别阶段,相应设置n个窗口值与ISW-T相同的ISW-C实现线上对未知数据流ISF的捕获,提取ISF测试实例特征信息,然后输入MWD-BNC,动态分析识别准确性与时效性之间的平衡关系,并通过相应窗口值下的BNSC实现未知大流样本的识别。

基于原始网络流量数据集构建正负实例平衡的ISF训练集, ISW-T对数据流ISF的提取流程设计如图3所示。在MWD-BNC模型线下训练阶段,根据ISW-T对数据流ISF的提取流程,所含数据包数量较多的数据流趋向于被ISW-T筛选进入ISF子训练集中;

【参考文献】：
期刊论文
[1]软件定义航空集群机载战术网络[J]. 赵尚弘,陈柯帆,吕娜,王翔,赵静.  通信学报. 2017(08)
[2]基于流抽样和LRU的高速网络大流检测算法[J]. 白磊,田立勤,陈超.  计算机应用与软件. 2016(04)
[3]机载网络体系结构及其协议栈研究进展[J]. 梁一鑫,程光,郭晓军,周爱平.  软件学报. 2016(01)
[4]基于C4.5决策树的流量分类方法[J]. 徐鹏,林森.  软件学报. 2009(10)



本文编号：2992460