基于模糊K-Means的网络流分类系统研究与实现

发布时间：2017-04-13 00:23

  本文关键词：基于模糊K-Means的网络流分类系统研究与实现，，由笔耕文化传播整理发布。

【摘要】：随着网络的不断发展,特别是移动互联网和物联网,网络已成为生活不可或缺的一部分。伴随网络发展而来的是,网络安全、服务质量和网络管理等一些列相关问题日益突出。如果不能有效管理网络流量,将对我们日常生产生活将会产生重大影响。网络流量管理的基础就是能有效对网络流进行识别分类,然而基于端口或基于负载的网络流分类方法的有效性已经大大减弱,许多研究者开始将目光转向基于机器学习的方法。因此,针对网络流的模糊性特征,本文研究模糊聚类算法在网络流分类中的应用和效果。本文首先比较了基于端口、基于负载和基于机器学习的网络流识别方法。然后介绍了网络流相关概念和评价标准,并分别指出了这三类方法的优势、不足、使用场景。然后讨论了网络流流统计特征的选择方法,针对网络流分类提出了一种改进的模糊聚类算法,并将其应用到对网络流的识别。最后实现了一个网络流的分类系统。本文主要工作内容如下：(1)在选取网络流特征集时,本文分别从人工经验选择和基于机器学习两个方面考虑结合二者优点寻找合适的网络流特征集,既尽可能多的考虑相关特征以提高分类准确度,同时又保持可接受的计算量。该方法先通过人工经验考察不同特征组对网络流分类的影响,找出关键特征组,然后逐步细化出区分哪些特征对网络流分类具有相对较高的贡献度,最后通过机器学习算法对筛选出的特征进行分类效果比较确定最终合适的网络流特征集。(2)根据网络流特征所具有的模糊特性,本文提出改进的模糊K-Means聚类算法。该算法通过模糊权重来刻画流特征与不同应用协议的隶属关系。针对该算法分类准确率易受初始聚类中心选择的影响,本文基于最小生成树算法对其进行改进。最后将改进的模糊K-Means聚类算法应用于网络流分类中。(3)设计实现了一个网络流分类系统,该系统可完成网络数据包的捕获、过滤、汇聚、特征提取、分类和输出显示等一系列操作。最后通过该系统对实际网络中的捕获的几类数据流进行分类测试,实验结果显示基于改进的模糊K-Means算法相比传统的K-Means算法在对网络流分类的准确率有一定的提高。
【关键词】：网络流分类 K-Means 模糊聚类 聚类中心
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP393.06
【目录】：

• 摘要4-6
• ABSTRACT6-12
• 第一章 绪论12-16
• 1.1 研究背景及意义12-13
• 1.2 国内外研究现状13-14
• 1.3 论文研究内容14-15
• 1.4 论文组织结构15-16
• 第二章 网络流分类方法综述16-24
• 2.1 网络流分类介绍16-18
• 2.1.1 网络流分类的基本概念16
• 2.1.2 网络流分类算法评价标准16-18
• 2.2 网络流分类方法18-22
• 2.2.1 基于端口的网络流分类方法18-19
• 2.2.2 基于负载的网络流分类方法19-20
• 2.2.3 基于机器学习的网络流分类方法20-22
• 2.3 网络流分类方法综合比较22-23
• 2.4 本章小结23-24
• 第三章 基于模糊聚类的网络流分类24-37
• 3.1 网络流统计特征选取24-29
• 3.1.1 基于经验的特征选择24-25
• 3.1.2 基于机器学习的特征选择25-26
• 3.1.3 结合两种方式筛选网络流特征26-28
• 3.1.4 特征集效果评估28-29
• 3.2 模糊K-Means聚类算法29-35
• 3.2.1 算法介绍29-32
• 3.2.2 优化初始化聚类中心32-34
• 3.2.3 确定最优聚类数34-35
• 3.3 本章小结35-37
• 第四章 网络流分类系统设计37-48
• 4.1 系统总体结构设计37-38
• 4.2 系统各模块设计38-47
• 4.2.1 数据包捕获过滤模块38-40
• 4.2.2 数据包解析模块40-41
• 4.2.3 网络流汇聚模块41-43
• 4.2.4 流统计特征提取模块43-45
• 4.2.5 核心分类器模块45-46
• 4.2.6 输出显示模块46-47
• 4.6 本章小结47-48
• 第五章 网络流分类系统实现48-57
• 5.1 系统实现48-52
• 5.1.1 数据包捕获和解析界面48-50
• 5.1.2 网络流汇聚与特征提取50-51
• 5.1.3 分类算法配置和图形显示51-52
• 5.2 实验和结果分析52-55
• 5.2.1 实验环境和实验数据53
• 5.2.3 实验和结果分析53-55
• 5.3 本章小结55-57
• 第六章 总结与展望57-59
• 6.1 总结57
• 6.2 展望57-59
• 参考文献59-63
• 攻读学位期间发表的论文63-65
• 致谢65-66
• 附录1 网络流特征集66-74

【相似文献】

中国期刊全文数据库 前10条

1 武佳宁;;基于序列特征的网络流分类方法研究[J];电子设计工程;2013年23期

2 张峰,雷振明;高速网络流测量及模型研究[J];计算机工程与应用;2004年17期

3 阿呆;;Netronome:为亚太区量身定制解决方案[J];通讯世界;2011年04期

4 龙熙华;韩大中;;线性多商品网络流算法与多煤种调运优化[J];西安矿业学院学报;1987年03期

5 孙旺弟,徐和杰;网络流理论在配水系统压力优化计算中的应用[J];镇江船舶学院学报;1990年03期

6 高峰修,黄根勋,张利民;基于网络流上的秘密共享体制[J];通信技术;2002年04期

7 叶麟;张宏莉;何慧;;基于主成分分析的网络流相关性研究[J];计算机工程;2007年12期

8 季海波,杨蓓,沈廉;关于二元网络流算法的一个推广[J];中国科学技术大学学报;1998年03期

9 王可定，封树标;多源点网络流图的计算机解法[J];系统工程理论与实践;1994年08期

10 程丛电;陈曦;;一个局部带优先权的最大多物资网络流问题[J];数学的实践与认识;2014年03期

中国重要报纸全文数据库 前2条

1 本报记者 龚保华;让电视网络流光溢彩[N];吉林日报;2013年

2 ;赛门铁克ManHunt 网络猎手[N];计算机世界;2003年

中国硕士学位论文全文数据库 前10条

1 蒋晓路;网络流特征的时频分析及其应用研究[D];电子科技大学;2014年

2 杨嘉佳;高速网络流过滤关键技术研究与应用[D];长沙理工大学;2014年

3 吴辉;基于模糊K-Means的网络流分类系统研究与实现[D];广东工业大学;2016年

4 李丹丹;基于网络流行为的网络流分类技术研究[D];哈尔滨理工大学;2015年

5 戚玉娥;基于网络流的流量异常检测研究[D];山东师范大学;2009年

6 王建敏;用优化的正则表达式引擎进行快速网络流分类[D];中国科学技术大学;2015年

7 樊炼;基于消息统计值的网络流分类研究[D];华中科技大学;2008年

8 叶麟;基于网络流相关性的大规模网络异常发现技术研究[D];哈尔滨工业大学;2006年

9 张洛什;基于Cavium平台的网络流分类系统的设计与实现[D];哈尔滨理工大学;2011年

10 赵伟;基于网络流特征的P2P网络流量分类文学研究[D];西安电子科技大学;2013年

  本文关键词：基于模糊K-Means的网络流分类系统研究与实现，由笔耕文化传播整理发布。

本文编号：302414