基于聚类算法的实时IP流量识别技术研究

发布时间：2021-09-29 07:54

　　近几年,互联网的快速发展和壮大,使得网络规模急剧扩大,网络带宽不断增加,不同类型的网络业务层出不穷,与此同时,也出现了各种各样的问题,例如网络带宽的一味扩容并不能够满足日益增加的各类网络应用的需求,部分网络应用对网络带宽的过量消耗使得网络资源不能够得到充分地利用,网络安全日益严重。目前,网络流量分析技术是能够解决这些问题的有效手段之一,它能够为充分合理地利用网络带宽、维护网络安全环境、实现差异化QoS（服务质量）控制和分析网络业务提供强而有力的理论依据。基于聚类算法的实时IP流量识别技术是网络流量分析方法中的研究热点,此种方法将机器学习中的聚类算法运用到实时IP流量识别技术中,能够得到较高的网络应用的识别准确率。本文针对基于聚类算法的实时IP流量识别技术做了深入研究,研究的主要内容主要有如下几个方面：1、对互联网的发展近况做了简要的介绍,包括网络的规模、网络的应用业务、网络的带宽资源及网络的安全性四个方面,并且对网络流量分析的必要性和当前面临的主要问题做出了阐述。2、对网络流量分析的研究现状进行了概括。首先,介绍了三种主流的网络流量分析方法,分别是基于端口的分析方法、基于包负载的分析方... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 引言
    1.1 Internet发展近况
        1.1.1 Internet规模
        1.1.2 Internet业务
        1.1.3 Internet资源
        1.1.4 Internet安全问题
    1.2 网络流量分析的必要性
    1.3 在线网络流量分析的面临问题
    1.4 本文的主要工作
    1.5 论文结构
第二章 网络流量分析的背景知识及研究现状
    2.1 基于机器学习算法的流量识别的基本概念
        2.1.1 网络应用数据流的基本概念
        2.1.2 机器学习方法概要
    2.2 网络流量识别方法
        2.2.1 基于端口的识别方法
        2.2.2 基于包负载的识别方法
        2.2.3 基于流特征统计的流量识别方法
        2.2.4 基于机器学习算法的流量识别的研究现状
    2.3 实验环境简介
        2.3.1 实验环境
        2.3.2 实验工具
        2.3.3 实验评价标准
    2.4 本章小结
第三章 特征集处理及模型设计
    3.1 特征集处理概述
        3.1.1 特征集的基本概念
        3.1.2 特征集的基本要求
        3.1.3 特征集的选择
    3.2 特征集处理流程的改进
    3.3 改进特征提取模型设计
        3.3.1 特征提取模型
        3.3.2 改进的特征提取模型设计
        3.3.3 改进的特征提取模型分析
    3.4 实验结果与分析
        3.4.1 实验设计
        3.4.2 实验结果
        3.4.3 实验分析
    3.5 改进的特征提取模型的分析
    3.6 本章小结
第四章 聚类算法改进及网络流量识别模型设计
    4.1 聚类算法分析
        4.1.1 划分聚类算法
        4.1.2 层次聚类算法
        4.1.3 基于密度的方法
        4.1.4 基于网格的方法
        4.1.5 基于模型的方法
        4.1.6 聚类算法对比
    4.2 在网络流量识别中聚类算法对比实验
        4.2.1 实验设计
        4.2.2 实验结果
        4.2.3 实验分析
    4.3 聚类算法改进
        4.3.1 改进算法描述
        4.3.2 改进算法分析
    4.4 基于改进算法的在线网络流量识别模型设计
        4.4.1 在线网络流量识别模型设计
        4.4.2 在线网络流量识别系统设计
        4.4.3 在线网络流量模型和系统分析
    4.5 基于改进算法实验结果
        4.5.1 实验设计
        4.5.2 实验结果
        4.5.3 实验分析
    4.6 本章小结
第五章 总结与展望
    5.1 本文总结
    5.2 今后工作及展望
参考文献
致谢
攻读学位期间发表的学术论文



本文编号：3413346