基于DBN的网络流量分类的研究

发布时间：2017-09-25 14:32

  本文关键词：基于DBN的网络流量分类的研究

  更多相关文章： 神经网络 DBN P2P流量 网络流量分类

【摘要】：针对现有模型对P2P流量分类准确率较低的问题,本文提出一种基于深度学习结构、半监督的深度置信网络(Deep Belief Networks, DBN)的流量分类方法,构造P2P流量合适的特征空间,建立基于DBN的网络流量分类模型,并对模型的隐含节点个数和隐含层个数进行选择,进而提高DBN模型对P2P流量的分类准确率。本文使用基于进程的方式构造了P2P流量私有数据集,并将此数据集和剑桥大学Moore实验室、LiWei等人提供的公共数据集作为本文的实验数据集,分别使用BP方法和DBN方法进行建模、测试并对实验结果进行分析。得出BP神经网络的隐含层个数为1-2层时P2P应用的分类准确率最高,而DBN方法的隐含层个数在3～4层时分类准确率最高。对于公共数据集,DBN方法对P2P应用的F-measure值高于BP方法23.3%；对于私有数据集,DBN方法对iQiyiPPS、 Sohu、PPTV和Baofeng的平均F-measure值高于BP方法13.2%。
【关键词】：神经网络 DBN P2P流量 网络流量分类
【学位授予单位】：内蒙古大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.06
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 第一章 绪论10-13
• 1.1 研究背景及意义10-11
• 1.2 国内外研究现状11
• 1.3 研究的主要内容11-12
• 1.4 论文结构安排12-13
• 第二章 网络流量分类的研究13-18
• 2.1 网络流量分类概述13-16
• 2.1.1 端口号匹配法13
• 2.1.2 负载匹配法13-14
• 2.1.3 主机行为法14
• 2.1.4 机器学习法14-16
• 2.2 DBN方法16-17
• 2.3 本章小结17-18
• 第三章 基于DBN的网络流量分类模型的设计18-31
• 3.1 BP神经网络和DBN的介绍与分析18-20
• 3.1.1 BP神经网络的分析18-19
• 3.1.2 DBN的分析19-20
• 3.2 模型整体设计20-21
• 3.3 数据集的构造21-24
• 3.3.1 数据集的选择21-22
• 3.3.2 私有数据集基准的建立22-23
• 3.3.3 特征提取23-24
• 3.4 DBN半监督模型的训练24-30
• 3.4.1 数据集预处理25-26
• 3.4.2 DBN隐含节点个数的选择26-29
• 3.4.2.1 隐含节点个数的选择标准27-28
• 3.4.2.2 隐含节点个数的选择流程28-29
• 3.4.3 DBN隐含层个数的选择29-30
• 3.4.3.1 隐含层个数的选择标准29-30
• 3.4.3.2 隐含层个数的选择流程30
• 3.5 本章小结30-31
• 第四章 基于DBN的网络流量分类模型的实现与分析31-47
• 4.1 实验环境及实验工具31-35
• 4.1.1 Wireshark捕获数据包31-32
• 4.1.2 Process monitor建立基准32-34
• 4.1.3 Matlab建模34-35
• 4.2 实验数据集35-36
• 4.2.1 公共数据集35-36
• 4.2.2 私有数据集36
• 4.3 隐含节点个数的选择过程及其分析36-39
• 4.3.1 公共数据集隐含节点个数的选择36-38
• 4.3.2 私有数据集隐含节点个数的选择38-39
• 4.4 隐含层个数的选择过程及其分析39-40
• 4.4.1 公共数据集隐含层个数的选择39-40
• 4.4.2 私有数据集隐含层个数的选择40
• 4.5 DBN与BP模型的实验过程及其对比分析40-46
• 4.5.1 实验评价标准41
• 4.5.2 公共数据集实验过程及其分析41-44
• 4.5.3 私有数据集实验过程及其分析44-46
• 4.6 本章小结46-47
• 第五章 总结与展望47-49
• 5.1 总结47
• 5.2 下一步工作47-49
• 致谢49-50
• 参考文献50-52

【参考文献】

中国期刊全文数据库 前2条

1 张敏;陈常嘉;;基于测量的UDP流特性分析[J];北京交通大学学报;2010年05期

2 徐鹏;林森;;基于C4.5决策树的流量分类方法[J];软件学报;2009年10期

，

本文编号：917901