网络音视频数据识别技术研究
发布时间：2021-11-19 14:47
随着网络技术的持续进步以及网络应用的不断涌现,网络中的数据流比例发生了很大的变化。在这其中,网络音视频流量以其传播速度快、体积大等特点,对网络服务质量造成了一定的影响。因而,准确的流量识别与分类对避免网络拥塞、进行有效的网络管理和资源利用具有至关重要的作用。流量识别的正确性和效率,是该领域的重要研究课题。为此,本文从数据包内容匹配和流量统计特征的机器学习方法两个角度进行相关技术的分析与研究。针对已有的正则表达式在数据包内容匹配过程中,随着表达式数量的增加,因需要按顺序对所有表达式进行匹配,从而导致性能下降的问题,提出了一个基于WM（Wu-Manber）改进算法的正则匹配模型。该模型先将不同协议特征关键字与相应表达式建立映射关系,通过利用WM改进算法先对其关键字进行识别,然后只针对包含该关键字的内容进行相应表达式的匹配,从而可以做到有选择性地进行正则匹配,有效地提高正则匹配的效率。其中,基于特征关键字长度较短,通过分析WM算法在处理这些关键字时的不足对其进行了优化,并通过实验验证优化后算法的有效性。在机器学习方法中,针对不同网络数据流量统计特征选择的问题,首先分析了基于互信息的特征选择算...
【文章来源】：哈尔滨工程大学黑龙江省 211工程院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
模式数量对时间消耗的影响
图 3.3 模式串长度对时间消耗的影响表 3.7 短模式串所占比率对时间消耗的影响（ms）短模式串比率 0 1 10 50 75 100L2-WM 17.21 90.32 80.03 78.03 50.3 45.34L3-WM 17.21 84.64 74.06 65.56 49.38 43.45L4-WM 17.21 58.62 63.87 42.54 41.27 37.26
图 3.3 模式串长度对时间消耗的影响表 3.7 短模式串所占比率对时间消耗的影响（ms）短模式串比率 0 1 10 50 75 100L2-WM 17.21 90.32 80.03 78.03 50.3 45.34L3-WM 17.21 84.64 74.06 65.56 49.38 43.45L4-WM 17.21 58.62 63.87 42.54 41.27 37.26L2-MWM 17.21 38.21 37.31 35.43 32.21 34.11L3-MWM 17.21 34.53 32.21 33.14 31.41 33.27L4-MWM 17.21 35.6 30.41 29.49 23.44 22.46
【参考文献】：
期刊论文
[1]一种改进的Wu-Manber多模式串匹配算法[J]. 马伟华,刘玉梅,叶飞,杨旭东. 应用科技. 2007(10)
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
[2]机器学习中特征选问题研究[D]. 孙鑫.吉林大学 2013
[3]面向高速网络管控的多业务识别关键技术研究[D]. 郭磊.解放军信息工程大学 2012
[4]网络流量识别关键技术研究[D]. 林冠洲.北京邮电大学 2011
[5]面向网络安全的高性能特征匹配技术研究[D]. 张树壮.哈尔滨工业大学 2011
硕士论文
[1]改进Boyer-Moore算法研究与应用[D]. 夏玄一.华中师范大学 2016
[2]基于多协议的大规模网络视频获取技术与实现[D]. 王铁刚.北京邮电大学 2015
[3]基于机器学习的VoIP流量识别技术研究[D]. 张峰.华中师范大学 2013
[4]基于应用层签名特征的P2P流媒体流量识别技术研究[D]. 徐周李.国防科学技术大学 2008
本文编号：3505266
【文章来源】：哈尔滨工程大学黑龙江省 211工程院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
模式数量对时间消耗的影响
图 3.3 模式串长度对时间消耗的影响表 3.7 短模式串所占比率对时间消耗的影响（ms）短模式串比率 0 1 10 50 75 100L2-WM 17.21 90.32 80.03 78.03 50.3 45.34L3-WM 17.21 84.64 74.06 65.56 49.38 43.45L4-WM 17.21 58.62 63.87 42.54 41.27 37.26
图 3.3 模式串长度对时间消耗的影响表 3.7 短模式串所占比率对时间消耗的影响（ms）短模式串比率 0 1 10 50 75 100L2-WM 17.21 90.32 80.03 78.03 50.3 45.34L3-WM 17.21 84.64 74.06 65.56 49.38 43.45L4-WM 17.21 58.62 63.87 42.54 41.27 37.26L2-MWM 17.21 38.21 37.31 35.43 32.21 34.11L3-MWM 17.21 34.53 32.21 33.14 31.41 33.27L4-MWM 17.21 35.6 30.41 29.49 23.44 22.46
【参考文献】：
期刊论文
[1]一种改进的Wu-Manber多模式串匹配算法[J]. 马伟华,刘玉梅,叶飞,杨旭东. 应用科技. 2007(10)
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
[2]机器学习中特征选问题研究[D]. 孙鑫.吉林大学 2013
[3]面向高速网络管控的多业务识别关键技术研究[D]. 郭磊.解放军信息工程大学 2012
[4]网络流量识别关键技术研究[D]. 林冠洲.北京邮电大学 2011
[5]面向网络安全的高性能特征匹配技术研究[D]. 张树壮.哈尔滨工业大学 2011
硕士论文
[1]改进Boyer-Moore算法研究与应用[D]. 夏玄一.华中师范大学 2016
[2]基于多协议的大规模网络视频获取技术与实现[D]. 王铁刚.北京邮电大学 2015
[3]基于机器学习的VoIP流量识别技术研究[D]. 张峰.华中师范大学 2013
[4]基于应用层签名特征的P2P流媒体流量识别技术研究[D]. 徐周李.国防科学技术大学 2008
本文编号：3505266
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3505266.html
