基于隐马尔可夫模型的协议识别技术的研究

发布时间：2024-03-22 18:48

　　随着网络的快速发展和协议结构多样性的出现，网络协议识别技术越来越成为人们研究的热点。该技术不仅能分析出网络流量的组成成分，还能为网络的维护，流量的建模和网络安全的防御提供量化的数据支持以及基础的数据分析。本文主要研究了基于隐马尔可夫模型(Hidden Markov Model HMM)的协议识别技术，主要工作如下： 首先，介绍了传统的协议识别方法。包括基于端口号的协议识别，基于载荷匹配的协议识别，基于深度包检测方法的识别，以及各自的适用范围和优缺点。 其次，针对传统协议识别的不足，本文提出运用HMM来进行协议识别，该方法采用了不受动态端口号和加密条件影响的包层次统计特征。研究了HMM基本算法：用前向-后向算法来解决观察变量问题；用Viterbi算法来解决最佳隐含状态问题；运用Baum-Welch算法来解决模型参数问题。针对HMM在实际运用中的情况，提出了改进措施，并介绍了将HMM运用于协议识别的优势。 最后，本文提出了多输入单输出的并行HMM系统架构。该架构是一个基于包层次统计特征的HMM协议识别方案，选择(IPT, PS)序列对，作为HMM的观察变量，经过学习训练找到与观察变量相一致...

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
目录
第一章 绪论
    1.1 课题研究背景
    1.2 研究现状
    1.3 研究意义
    1.4 本文主要工作
    1.5 论文组织安排
第二章 网络协议识别技术
    2.1 协议识别的基本概念
    2.2 基于端口号的协议识别技术
    2.3 基于载荷特征的协议识别技术
    2.4 基于行为特征的协议识别技术
    2.5 基于机器学习的协议识别技术
    2.6 各识别技术的优缺点分析
    2.7 小结
第三章 隐马尔可夫模型
    3.1 HMM 定义
    3.2 HMM 需要解决的三个问题
    3.3 HMM 基本算法
        3.3.1 前向-后向算法用于解决评估问题
        3.3.2 Viterbi 算法用于解决状态序列的优化问题
        3.3.3 Baum-Welch 算法用于解决训练问题
    3.4 HMM 在实际应用中的改进
        3.4.1 初始模型的选取问题
        3.4.2 算法下溢问题
        3.4.3 过度拟合问题
    3.5 将 HMM 运用于协议识别的优势
    3.6 小结
第四章 基于统计特征的 HMM 协议识别技术
    4.1 识别特征选择
    4.2 统计特征分布
    4.3 统计拟合方法
    4.4 基于统计特征的 HMM 协议识别
        4.4.1 研究模型
        4.4.2 单个HMMi模型
        4.4.3 双特征下模型参数的改进
        4.4.4 模型的统计特性
        4.4.5 协议识别
        4.4.6 自主学习
    4.5 小结
第五章 实验内容与分析
    5.1 数据来源
    5.2 实验环境
    5.3 模型参数的学习
    5.4 训练算法的收敛性
    5.5 各应用类型的训练模型
    5.6 识别结果
        5.6.1 实验对比一
        5.6.2 实验对比二
    5.7 小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
发表论文和科研情况说明
致谢



本文编号：3934813