基于多分类器的网络流量分类研究

发布时间：2017-06-22 04:06

  本文关键词：基于多分类器的网络流量分类研究，由笔耕文化传播整理发布。

【摘要】：随着信息技术的高速发展,各种各样的互联网应用产生了大量的网络流量,消耗了巨大的网络资源,不仅给网络服务质量带来了极大的挑战,同时也会导致互联网安全问题的产生。为了合理高效的利用网络资源并为网络管理者提供有效的管控手段,网络流量分类是基础和前提条件。在各种网络流量分类技术中,基于机器学习的技术由于具有自动性和自适应性,成为近年来的研究热点问题。机器学习领域发现,不同的特征描述、不同的分类器在分类性能上存在着彼此互补的现象,同时使用多个分类器可能提高分类准确性。因此,多分类器的研究吸引了学者们广泛的注意,并且已在手写体识别、时间序列预测、基因序列预测等多个实际应用方面取得了较好的效果。但是,多分类器的方法在网络流量分类领域的应用研究才刚刚起步。在此背景下,本文对基于多分类器的网络流量分类技术进行研究。论文的主要工作如下：1、介绍了流量分类的基本概念,目前主要的流量识别方法及各自的优缺点,并重点分析了基于统计特征的识别方法。对利用机器学习算法进行流量分类的方法进行了详细分析,为进一步研究高效识别方法提供基础。2、基于这样的认识—实际的网络管理中,管理者希望识别出来并加以控制的可能只是少数特定的应用,本论文提出为关注的应用构建应用专门分类器,并将其组合协同工作的方法。同时,通过实验的手段,保证每个应用专门分类器对于其面向的应用具有良好的识别效果。本文方法只需要较少的实验工作量,却能够得到较高的准确性,实验结果表明,分类性能总体优于所有参与实验的单分类器方法。3、对前人提出的各种面向概念漂移的多分类器方法进行了深入的分析研究,在此基础上,选择基于权重的集成多分类器方法作为研究起点,对该方法下的主要技术环节进行了改进。
【关键词】：网络流量分类 多分类器 行为知识空间 概念漂移
【学位授予单位】：扬州大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.06
【目录】：

• 摘要4-5
• Abstract5-8
• 第1章 绪论8-16
• 1.1 研究背景8-9
• 1.2 网络流量分类概念9-11
• 1.2.1 网络流量分类的定义9-10
• 1.2.2 网络流量分类的评价指标10-11
• 1.3 国内外研究现状11-14
• 1.4 研究目标与研究内容14-15
• 1.5 论文组织结构15-16
• 第2章 网络流量分类方法综述16-29
• 2.1 基于端口的方法16-17
• 2.2 基于应用载荷的方法17-18
• 2.3 基于主机行为的方法18-20
• 2.4 基于机器学习的方法20-27
• 2.4.1 有监督机器学习方法21-25
• 2.4.2 无监督机器学习方法25-27
• 2.4.3 半监督机器学习方法27
• 2.5 最近的研究—基于多分类器的网络流量分类方法27-29
• 第3章 面向精度的多分类器网络流量分类研究29-40
• 3.1 基础工作29
• 3.2 本文方法29-36
• 3.2.1 总体思路29-31
• 3.2.2 组合方法的选择31-36
• 3.3 实验36-38
• 3.3.1 基分类器的训练与选择36
• 3.3.2 组合器的训练36-37
• 3.3.3 结果与分析37-38
• 3.4 本章小结38-40
• 第4章 面向概念漂移的多分类器网络流量分类研究40-50
• 4.1 问题分析40-41
• 4.2 机器学习领域处理概念漂移的方法41-43
• 4.3 本文方法43-48
• 4.3.1 概念漂移检测45-46
• 4.3.2 基分类器的构造46
• 4.3.3 权重的计算46-47
• 4.3.4 组合分类器更新47-48
• 4.4 实验48-49
• 4.4.1 实验环境与实验数据48
• 4.4.2 分类精度比较48-49
• 4.5 本章小结49-50
• 第5章 总结与展望50-51
• 5.1 总结50
• 5.2 下一步工作展望50-51
• 参考文献51-56
• 致谢56-58
• 攻读硕士学位期间发表的论文58-60

【相似文献】

中国期刊全文数据库 前10条

1 骆玉霞,陈焕伟;角度分类器与距离分类器比较研究——以盐渍土分类为例[J];国土资源遥感;2002年02期

2 孙加庆;具有自学习功能的分类器的自动生成[J];计算机时代;2002年12期

3 潘翔,姚明海,陈国华;多分类器的一种动态联合方法[J];计算机工程与应用;2002年12期

4 马耀华,何瑗;Augmented Bayes分类器的一种学习方法[J];计算机工程与应用;2002年17期

5 王正群,孙兴华,杨静宇;多分类器组合研究[J];计算机工程与应用;2002年20期

6 冯彦杰,王浣尘;学习分类器在绩效寻优中的应用及其组织决策意义[J];控制理论与应用;2003年03期

7 唐春生,金以慧;基于全信息矩阵的多分类器集成方法[J];软件学报;2003年06期

8 唐春生;金以慧;;权重自适应调整的多分类器集成判决及其在文本分类中的应用[J];计算机科学;2003年01期

9 刘宁钟;杨静宇;;基于遗传算法的组合式分类器选择[J];模式识别与人工智能;2003年03期

10 柏延臣,王劲峰;结合多分类器的遥感数据专题分类方法研究[J];遥感学报;2005年05期

中国重要会议论文全文数据库 前10条

1 王占一;徐蔚然;刘东鑫;郭军;;一种基于两级分类器的垃圾短信过滤方法[A];第五届全国信息检索学术会议论文集[C];2009年

2 翟静;李海宏;唐常杰;陈敏敏;李智;;可验证对象集分类器的再训练演进[A];第十九届全国数据库学术会议论文集（研究报告篇）[C];2002年

3 陈继航;刘家锋;赵巍;唐降龙;;联机手写识别笔段特征分类器的学习方法[A];黑龙江省计算机学会2009年学术交流年会论文集[C];2010年

4 穆明生;;基于特征集的多种分类器模型的在线笔迹认证[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

5 彭涛;左万利;赫枫龄;;基于链接上下文的分类器主题爬行技术(英文)[A];第二十三届中国数据库学术会议论文集（技术报告篇）[C];2006年

6 王岚;陈珂;迟惠生;;基于多特征组合多分类器的方法用于“与文本无关”的说话人辨认[A];第四届全国人机语音通讯学术会议论文集[C];1996年

7 谢秋玲;;应用于心电图分类的KNN-SVM分类器研究[A];2006中国控制与决策学术年会论文集[C];2006年

8 胡琼;汪荣贵;胡韦伟;孙见青;;基于级联分类器的快速人脸检测方法[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

9 李兰春;王双成;杜瑞杰;;认知结构评估的动态贝叶斯网络分类器方法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

10 邵小健;段华;贺国平;;一种改进的最少核分类器[A];中国运筹学会第七届学术交流会论文集（上卷）[C];2004年

中国重要报纸全文数据库 前1条

1 黄明;精子分类器决定生男生女[N];广东科技报;2000年

中国硕士学位论文全文数据库 前10条

1 邹金凤;基于综合评价理论的多分类器容器[D];大连理工大学;2005年

2 高凤娥;分布式环境下多分类器识别和应用[D];西安电子科技大学;2006年

3 郭霞;一种高效集成分类器及其在蛋白质折叠识别中的应用研究[D];湘潭大学;2007年

4 王国林;基于分类器融合的人脸识别研究[D];江苏科技大学;2011年

5 张晨;多维约束下代价敏感集成分类器的研究[D];广西师范大学;2009年

6 郭瑜;铸坯冷酸蚀图像分类器的设计及研究[D];华中科技大学;2009年

7 孙利;基于多分类器和双视角信息融合的乳腺钼靶图像病灶分类算法研究[D];杭州电子科技大学;2011年

8 强琦;基于统计学习的多类别分类器研究[D];浙江大学;2006年

9 孙丽娜;集成异种分类器分类稀有类[D];郑州大学;2007年

10 范莹;基于进化计算和模糊聚类技术的多分类器联合研究[D];山东师范大学;2008年

  本文关键词：基于多分类器的网络流量分类研究，由笔耕文化传播整理发布。

，

本文编号：470667