基于半监督学习的目标识别技术研究

发布时间：2021-02-23 20:32

　　应用层协议识别技术作为网络监控的基本技术,一直以来在网络管理、安全监控、用户体验改善等领域发挥着巨大的作用,但目前也面临着许多问题。首先,加密协议的日渐增多,导致传统基于端口和应用层载荷分析的方法已不再适用;其次,应用层协议种类数量增长迅速,基于载荷分析的方法需要不断更新特征库,特征库容量的迅猛增长给特征匹配算法的时效性带来了严峻挑战。将机器学习方法引入到应用层协议识别中可以大大提高识别系统效能。本文基于半监督学习方法研究应用层协议识别,主要研究内容和成果如下:（1）通过对生成式方法、半监督支持向量机（Semi-Supervision Support Vector Machine,S3VM）和图半监督算法等进行分析,相较于这些半监督学习算法,TriTraining和Co-Forest利用了集成学习的思想,避免了诸如模型假设、损失函数非凸等问题,算法实现更为简单有效。本文将Tri-Training和Co-Forest这两种基于分歧的半监督学习算法应用于应用层协议识别中,实验表明相较于Tri-Training,CoForest具有更高的协议分类准确率。（2）特征选择是协议识别中的重要模块,... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

数据预处理流程图

Co-Forest中参数不同值下分类准确率

C4.5 分类模型下分类准确率

【参考文献】：
期刊论文
[1]互联网流量分类中流量特征研究[J]. 刘珍,王若愚,蔡先发,唐德玉.  计算机应用研究. 2017(01)
[2]基于分歧的半监督学习[J]. 周志华.  自动化学报. 2013(11)
[3]基于C4.5决策树的流量分类方法[J]. 徐鹏,林森.  软件学报. 2009(10)

博士论文
[1]基于SVM的网络流量特征降维与分类方法研究[D]. 曹杰.吉林大学 2017
[2]基于机器学习的流量分类算法研究[D]. 鲁刚.哈尔滨工业大学 2013
[3]高维数据的特征选择及基于特征选择的集成学习研究[D]. 张丽新.清华大学 2004

硕士论文
[1]基于半监督学习的网络流量分类技术研究[D]. 孔晓晨.北京邮电大学 2018
[2]基于普适特征的网络流量决策树分类方法[D]. 李麟青.苏州大学 2012



本文编号：3048190