基于小波核极限学习机的网络流量分类
发布时间：2021-10-25 18:35
近年来,随着互联网的飞速发展,网络的规模在持续的扩大,各种新型的网络应用日渐增多,网络组成也变得尤为复杂。网络流量分类作为增强网络可控性的基础技术之一,对于网络安全管理和网络结构改善有着很大帮助。网络流量分类技术的发展大致可以归纳为三个阶段:第一阶段是基于端口号匹配的识别方法,但随着网络应用的快速发展,该方法的分类效果逐渐下降;第二阶段是基于有效载荷的分类方法,考虑到该方法资源消耗大等的弊端,研究者渐渐减少了对该种方法的使用。最终第三阶段基于机器学习的识别方法随之发展起来。本文引入极限学习机（Extreme Learning Machine,ELM）的方法来进行流量分类,极限学习机是一种只包含唯一隐含层的前向神经网络结构,传统的多层前向神经网络是基于梯度下降来实现的,因而在不断的迭代过程中,自然而然的增加了学习的时间和功耗,而且还经常会困于局部最优之中。与之相比,ELM很大程度的减少了学习时间,提高了分类的准确性。为了解决算法过程中随机产生的输入层权值和隐层节点偏置不是最优解的缺点,采用核极限学习机（Kernel ELM,KELM）。同时考虑到网络流量自身具有长相似性等的特点,引入小波...
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
中国网民规模与互联网普及率
在整个网络中，双方的信息交互过程中会发生很多的突发情况，比如经常发生的??客户端等待了很长时间没有收到服务器端送回的连接确认包，此时，客户端就会重新??初始到ＣＬＯＳＥＤ状态。??２．基于流量的分析方法??Ｐ２Ｐ?（Ｐｅｅｒ－ｔｏ－Ｐｅｅｒ）网络应用的兴起，对基于端口号匹配和基于有效载荷的分类??方法增加了很多不可控性，导致这两种分类方法的效果很难达到设计者的要求，再加??上ＶＰＮ等对数据做加密处理的应用不断增多，更加加大了分类的难度。这些应用，??他们所具有的一个共同特点是可以承载具有多种不同媒体类型、不同使用模式的上层??应用协议，导致流量具有显著的时空差异性，这就对网络应用的详细划分造成了很大??的困难。??当前Ｐ２Ｐ类应用借鉴了传统电信网信令平面与数据平面相分离的成熟经验，在运??行时通常会执行两类并发活动：一方面利用可靠的信令包维护Ｐ２Ｐ网络的拓扑和Ｐｅｅｒｓ??之间的连接及状态，另一方面利用多个数据连接并发的与多个Ｐｅｅｒｓ进行数据包传输。??Ｂｒａｎｄｓ?Ｅ?Ｈ?Ｔ?Ｂ等人针对Ｐ２Ｐ应用设计了一种树型结构的Ｐ２Ｐ网络应用分类方法??
模型是七层结构，其中各层都对该层的协议规则进行了定义。ＴＣＰ／ＩＰ协议模型是采用??四层模型结构，虽然提出较晚，但在互联网中得到广泛的使用。不同的网络协议都分??布在这些层当中。网络流量分类就是根据这些网络应用协议的数据格式等特点，将未??知类型的网络流量识别划分为不同种类的方法。流量分类一般是将网络流量分为多??种，如果是只有两类的分类，则一般使用流量检测、识别、鉴别等概念。??网络流量分类通常根据对象的粒度粗细划分为数据包级（Ｐａｃｋｅｔ－ｌｅｖｅｌ）、数据流??级（Ｆｌｏｗ－ｌｅｖｅｌ）、应用级（Ｓｔｒｅａｍ－ｌｅｖｅｌ）。??数据包级：数据包级分类是基于网络数据包所具有的的特征，如包大小、包间隔??时间等，对每个数据包进行分类；??数据流级：数据流级是基于五元组进行分类。在这个级别的分类过程中，除了要??关注数据包级的特征，还要进一步对数据流级的一些统计特征或着主机行为特征进行??关注；??应用级：应用级主要是基于主机间的应用行为进行分类，考虑的是三元组级别，??比较适合比较大的网络服务环境，例如骨干网之类。??图２－１展示了不同网络流级与ＴＣＰ／ＩＰ协议模型对应情况。??
【参考文献】：
期刊论文
[1]基于小波分析的股指期货高频预测研究[J]. 刘向丽,王旭朋. 系统工程理论与实践. 2015(06)
[2]远控型木马通信三阶段流量行为特征分析[J]. 李巍,李丽辉,李佳,林绅文. 信息网络安全. 2015(05)
[3]小波核极限学习机分类器[J]. 王杰,郭晨龙. 微电子学与计算机. 2013(10)
[4]基于贝叶斯学习的集成流量分类方法[J]. 汪为汉,唐学文,邓一贵. 计算机工程. 2012(16)
[5]网络流量分类研究进展与展望[J]. 熊刚,孟姣,曹自刚,王勇,郭莉,方滨兴. 集成技术. 2012(01)
[6]基于改进Elmam神经网络的网络流量预测模型[J]. 王旭启,赵宗涛. 微计算机应用. 2011(12)
[7]恶意软件网络协议的语法和行为语义分析方法[J]. 应凌云,杨轶,冯登国,苏璞睿. 软件学报. 2011(07)
[8]基于贝叶斯学习算法的网络流量分类[J]. 潘登. 湖南医科大学学报(社会科学版). 2009(06)
[9]基于节点连接模式的P2P节点识别算法[J]. 鲁文斌,杨家海,刘洪波. 清华大学学报(自然科学版). 2009(07)
[10]一种基于粗糙集理论的启发式特征选择算法[J]. 亢婷,魏立力. 计算机工程与应用. 2008(30)
博士论文
[1]网络流量分类识别若干技术研究[D]. 周文刚.电子科技大学 2014
硕士论文
[1]基于核密度估计的相关网络流量贝叶斯分类器[D]. 谭杨.北京化工大学 2015
[2]流统计特征在网络流量分类中的应用研究[D]. 朱文波.杭州电子科技大学 2015
[3]支持向量分类机的核函数研究[D]. 李红英.重庆大学 2009
本文编号：3457965
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
中国网民规模与互联网普及率
在整个网络中，双方的信息交互过程中会发生很多的突发情况，比如经常发生的??客户端等待了很长时间没有收到服务器端送回的连接确认包，此时，客户端就会重新??初始到ＣＬＯＳＥＤ状态。??２．基于流量的分析方法??Ｐ２Ｐ?（Ｐｅｅｒ－ｔｏ－Ｐｅｅｒ）网络应用的兴起，对基于端口号匹配和基于有效载荷的分类??方法增加了很多不可控性，导致这两种分类方法的效果很难达到设计者的要求，再加??上ＶＰＮ等对数据做加密处理的应用不断增多，更加加大了分类的难度。这些应用，??他们所具有的一个共同特点是可以承载具有多种不同媒体类型、不同使用模式的上层??应用协议，导致流量具有显著的时空差异性，这就对网络应用的详细划分造成了很大??的困难。??当前Ｐ２Ｐ类应用借鉴了传统电信网信令平面与数据平面相分离的成熟经验，在运??行时通常会执行两类并发活动：一方面利用可靠的信令包维护Ｐ２Ｐ网络的拓扑和Ｐｅｅｒｓ??之间的连接及状态，另一方面利用多个数据连接并发的与多个Ｐｅｅｒｓ进行数据包传输。??Ｂｒａｎｄｓ?Ｅ?Ｈ?Ｔ?Ｂ等人针对Ｐ２Ｐ应用设计了一种树型结构的Ｐ２Ｐ网络应用分类方法??
模型是七层结构，其中各层都对该层的协议规则进行了定义。ＴＣＰ／ＩＰ协议模型是采用??四层模型结构，虽然提出较晚，但在互联网中得到广泛的使用。不同的网络协议都分??布在这些层当中。网络流量分类就是根据这些网络应用协议的数据格式等特点，将未??知类型的网络流量识别划分为不同种类的方法。流量分类一般是将网络流量分为多??种，如果是只有两类的分类，则一般使用流量检测、识别、鉴别等概念。??网络流量分类通常根据对象的粒度粗细划分为数据包级（Ｐａｃｋｅｔ－ｌｅｖｅｌ）、数据流??级（Ｆｌｏｗ－ｌｅｖｅｌ）、应用级（Ｓｔｒｅａｍ－ｌｅｖｅｌ）。??数据包级：数据包级分类是基于网络数据包所具有的的特征，如包大小、包间隔??时间等，对每个数据包进行分类；??数据流级：数据流级是基于五元组进行分类。在这个级别的分类过程中，除了要??关注数据包级的特征，还要进一步对数据流级的一些统计特征或着主机行为特征进行??关注；??应用级：应用级主要是基于主机间的应用行为进行分类，考虑的是三元组级别，??比较适合比较大的网络服务环境，例如骨干网之类。??图２－１展示了不同网络流级与ＴＣＰ／ＩＰ协议模型对应情况。??
【参考文献】：
期刊论文
[1]基于小波分析的股指期货高频预测研究[J]. 刘向丽,王旭朋. 系统工程理论与实践. 2015(06)
[2]远控型木马通信三阶段流量行为特征分析[J]. 李巍,李丽辉,李佳,林绅文. 信息网络安全. 2015(05)
[3]小波核极限学习机分类器[J]. 王杰,郭晨龙. 微电子学与计算机. 2013(10)
[4]基于贝叶斯学习的集成流量分类方法[J]. 汪为汉,唐学文,邓一贵. 计算机工程. 2012(16)
[5]网络流量分类研究进展与展望[J]. 熊刚,孟姣,曹自刚,王勇,郭莉,方滨兴. 集成技术. 2012(01)
[6]基于改进Elmam神经网络的网络流量预测模型[J]. 王旭启,赵宗涛. 微计算机应用. 2011(12)
[7]恶意软件网络协议的语法和行为语义分析方法[J]. 应凌云,杨轶,冯登国,苏璞睿. 软件学报. 2011(07)
[8]基于贝叶斯学习算法的网络流量分类[J]. 潘登. 湖南医科大学学报(社会科学版). 2009(06)
[9]基于节点连接模式的P2P节点识别算法[J]. 鲁文斌,杨家海,刘洪波. 清华大学学报(自然科学版). 2009(07)
[10]一种基于粗糙集理论的启发式特征选择算法[J]. 亢婷,魏立力. 计算机工程与应用. 2008(30)
博士论文
[1]网络流量分类识别若干技术研究[D]. 周文刚.电子科技大学 2014
硕士论文
[1]基于核密度估计的相关网络流量贝叶斯分类器[D]. 谭杨.北京化工大学 2015
[2]流统计特征在网络流量分类中的应用研究[D]. 朱文波.杭州电子科技大学 2015
[3]支持向量分类机的核函数研究[D]. 李红英.重庆大学 2009
本文编号：3457965
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3457965.html
