当前位置:主页 > 管理论文 > 移动网络论文 >

基于流聚类的网络业务识别关键技术研究

发布时间:2022-02-05 06:31
  随着互联网的快速发展,网络业务应用类型呈现百花齐放的状态。这在提高了社会效率和丰富了人们精神生活的同时,也使得网络环境更加复杂化,大量的P2P业务占据了带宽资源,造成网络拥塞,运营商服务质量降低,安全问题日益突出。因此,迫切地需要实施网络管理和监控,优化网络资源,解决安全问题,提高网络传输能力,并为网络规划和扩容提供科学依据。网络业务识别技术正是支持网络管理与监控的基础和有效手段。如今,过分依赖于端口和数据包负载的传统网络业务识别技术已经无法应对复杂的网络环境。基于数据挖掘的网络业务识别技术提取网络业务流的统计信息对其进行分类或聚类处理,更适用于对现今环境下复杂的网络业务流量进行识别,因此成为网络业务流识别的重点研究方向之一考虑到网络业务流的数据流特性,本文致力于数据流聚类算法和网络业务识别方案的研究,主要内容和创新点如下:网格时间权重阈值自适应的任意形状数据流聚类方法研究:网格技术具有处理快速且处理时间只依赖于网格划分粒度的优点。针对网络业务流的分布在数据空间中具有任意形状,以及其在时间和空间上的倾斜特性,本文提出一种基于网格的任意形状数据流聚类算法。该方法基于衰减函数提出了潜在密集... 

【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】:129 页

【学位级别】:博士

【文章目录】:
摘要
ABSTRACT
目录
第一章 引言
    1.1 研究背景
        1.1.1 互联网的发展现状
        1.1.2 网络业务识别的意义
    1.2 网络业务识别关键技术研究现状
        1.2.1 基于端口的识别技术
        1.2.2 基于数据包负载的识别技术
        1.2.3 基于流统计信息的识别技术
        1.2.4 基于数据挖掘的识别技术
    1.3 现有技术面临的挑战
    1.4 本文的主要工作
    1.5 本文的组织结构
第二章 网络业务识别的背景知识
    2.1 数据挖掘在网络业务识别中的应用
        2.1.1 网络业务识别中的基本概念
        2.1.2 网络业务识别的度量方法
        2.1.3 基于数据挖掘的识别
    2.2 数据挖掘方法概述
        2.2.1 传统数据挖掘方法
        2.2.2 数据流挖掘方法
        2.2.3 传统数据挖掘和数据流挖掘的不同
    2.3 其他识别方法
    2.4 多种识别方法的对比
    2.5 本章小结
第三章 网格时间权重阈值自适应的任意形状数据流聚类
    3.1 引言
    3.2 相关工作
        3.2.1 基于传统聚类方法的网络业务识别
        3.2.2 流聚类方法
    3.3 问题分析和相关概念
        3.3.1 问题分析及解决方法
        3.3.2 相关概念
    3.4 网格时间权重阈值自适应的流聚类算法
        3.4.1 网格结构
        3.4.2 自适应的网格时间权重阈值
        3.4.3 在线网格维护算法
        3.4.4 离线宏聚类算法
    3.5 实验结果与分析
        3.5.1 实验设置
        3.5.2 实验数据集
        3.5.3 实验结果
        3.5.4 算法分析
    3.6 本章小结
第四章 基于网格密度的数据流演化聚类
    4.1 引言
    4.2 相关工作和问题分析
        4.2.1 相关工作
        4.2.2 问题分析
    4.3 基于网格密度的数据流演化聚类算法
        4.3.1 基于数据点密度系数的网格结构
        4.3.2 金字塔时间框架技术
        4.3.3 在线维护算法
        4.3.4 离线演化聚类分析
    4.4 实验结果与分析
        4.4.1 实验设置
        4.4.2 实验结果
        4.4.3 算法分析
    4.5 本章小结
第五章 基于流聚类的半监督多级网络业务识别
    5.1 引言
    5.2 在线多级网络业务分流识别体系
        5.2.1 长短流与子流的判定
        5.2.2 多级网络业务分流识别体系设计
    5.3 基于流聚类算法的半监督识别方案
        5.3.1 设计目标
        5.3.2 方案设计
        5.3.3 模块功能描述
    5.4 基于长流的子流属性特征提取与选择
        5.4.1 实验数据说明
        5.4.2 初始属性特征统计
        5.4.3 特征子集选择
    5.5 在线更新的簇映射规则
    5.6 实验结果与分析
        5.6.1 实验设置
        5.6.2 实验结果
        5.6.3 方法分析
    5.7 本章小结
第六章 小结与展望
参考文献
致谢
攻读博士学位期间发表的学术论文


【参考文献】:
期刊论文
[1]基于滑动窗口的进化数据流聚类[J]. 常建龙,曹锋,周傲英+.  软件学报. 2007(04)
[2]一种基于网格方法的高维数据流子空间聚类算法[J]. 孙玉芬,卢炎生.  计算机科学. 2007(04)
[3]基于图形处理器的数据流快速聚类[J]. 曹锋,周傲英.  软件学报. 2007(02)
[4]高维数据流聚类及其演化分析研究[J]. 周晓云,孙志挥,张柏礼,杨宜东.  计算机研究与发展. 2006(11)
[5]基于数据流的任意形状聚类算法[J]. 朱蔚恒,印鉴,谢益煌.  软件学报. 2006(03)

博士论文
[1]网络流量的离线分析[D]. 林平.北京邮电大学 2010



本文编号:3614743

资料下载
论文发表

本文链接:https://www.wllwen.com/guanlilunwen/ydhl/3614743.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户b8b33***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com