基于深度学习的SDN应用识别研究

发布时间：2023-04-05 07:05

　　随着互联网的飞速发展,网络应用数目和规模呈指数级增长,在给用户生活带来便利的同时,也伴随着异常庞大的流量。准确有效地识别网络应用,将有助于网络安全控制和资源管理。作为下一代网络架构,软件定义网络(Software Defined Network,SDN)目前仅支持基于网络第2/3/4层的路由策略规划,但缺乏对网络更高层的应用感知。若能在SDN中实现应用识别以获取流量的应用层信息,就可以更智能地提供网络服务。综上所述,本文将基于深度学习对SDN应用识别方法进行研究。首先,提出一种基于深度学习的SDN应用识别框架,并对该框架的运行机制进行了充分的研究和探索。对框架中涉及的每个模块的功能和作用都进行了研究,各模块相互协作完成应用识别功能,并将识别结果用于上层应用管理或下层路由规划中。然后,针对框架中的应用识别模块,提出了一种深度学习模型对SDN流量进行应用识别。基于Theano深度学习框架和有明确应用标记信息的Moore数据集,来构建具有较高应用识别准确率的SdA-LSSVM(堆叠去噪自动编码器-最小二乘支持向量机)深度学习模型,并对WWW,MAlL,FTP_DATA等1...

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 应用识别研究现状
        1.2.2 SDN应用识别研究现状
    1.3 论文主要研究内容及创新点
        1.3.1 主要研究内容
        1.3.2 创新点
    1.4 论文组织结构
2 相关技术研究
    2.1 SDN相关技术
        2.1.1 SDN的概念
        2.1.2 SDN网络架构
    2.2 流量应用识别方法研究
        2.2.1 流量的定义与属性
        2.2.2 常用的应用识别方法
        2.2.3 常用的深度学习方法
    2.3 堆叠去噪自动编码器
        2.3.1 自动编码器
        2.3.2 去噪自动编码器
        2.3.3 堆叠去噪自动编码器
    2.4 最小二乘支持向量机
        2.4.1 支持向量机
        2.4.2 核函数
        2.4.3 最小二乘向量机
    2.5 本章小结
3 基于深度学习的SDN应用识别框架研究
    3.1 应用识别当前瓶颈问题
    3.2 SDN应用识别框架设计
    3.3 SDN应用识别框架运行机制
    3.4 本章小结
4 SDN应用识别模型研究
    4.1 SDN应用识别模块设计
    4.2 SDN应用识别模型构建
        4.2.1 SdA-LSSVM模型结构
        4.2.2 基于SdA-LSSVM的应用识别
    4.3 SdA-LSSVM模型的改进
        4.3.1 粒子群优化算法原理
        4.3.2 粒子群优化LSSVM
    4.4 本章小结
5 模型验证与结果分析
    5.1 实验环境
    5.2 实验数据集
        5.2.1 数据预处理
        5.2.2 数据集组成
    5.3 实验评价标准
    5.4 实验结果分析与对比
        5.4.1 不同网络结构对比
        5.4.2 不同深度学习模型的对比
        5.4.3 不同参数优化算法对比
    5.5 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
本文作者硕士期间取得的成果
致谢



本文编号：3782973