基于粒子群优化半监督学习的网络流量分类方法研究

发布时间：2021-09-06 01:36

　　在互联网高速发展的今天，伴随着P2P下载和P2P流媒体技术的出现，各类新兴的网络应用如雨后春笋般涌现。网络负载的急剧增加使得传统的服务提供商逐渐认识到互联网形势的严峻。如何在高速大流量网络带宽中迅速有效地识别各类网络应用，并高效的将识别结果反馈到实际的网络控制中去，从而更好的为网络流量的管理和控制做贡献已经逐渐成为流量检测领域亟待解决的问题。针对此种现状，论文工作主要从下述几个方面展开：在以流特征作为网络流量分类的特征选择前提下，提出了一种高效的流特征向量的选择方法，该方法不仅覆盖到传统的网络应用，而且刻意添加了针对P2P流媒体具有较高区分度的流特征向量，使得特征向量的选择更全面，更有区分性。针对Kmeans、KNN等传统无监督机器学习方法存在的不足，使用粒子群的优化技术对它们进行优化。且针对有监督学习时标记样本特征所难以避免表现出的费时费力的问题，引入了半监督的机器学习理念，并最终设计并实现了基于粒子群优化半监督学习的网络流量分类系统。该分类系统具体细分为实时流量分类和离线流量分类两个方向。其中实时系统主要负责对在线网络流量的实时监控，此系统设计对实时性要求较高，因此在系统实现过程中... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

种常见应用各层流样本数统计图;

种常见应用各层流样本数统计图

实时分类结果图

【参考文献】：
期刊论文
[1]简化的粒子群优化快速KNN分类算法[J]. 李欢,焦建民.  计算机工程与应用. 2008(32)
[2]基于粒子群优化的快速KNN分类算法[J]. 张国英,沙芸,江慧娜.  山东大学学报(理学版). 2006(03)
[3]基于粒子群的K均值聚类算法[J]. 刘靖明,韩丽川,侯立文.  系统工程理论与实践. 2005(06)

博士论文
[1]P2P流媒体识别方法的研究[D]. 周丽娟.华中科技大学 2008
[2]P2P流的测量与识别方法研究[D]. 柳斌.华中科技大学 2008



本文编号：3386473