网络大数据驱动的应用程序智能分类与识别

发布时间：2021-02-26 16:44

　　随着网络大数据技术的快速发展,网络应用程序种类越来越多,产生的数据量急速上升,给网络管理带来了巨大的挑战。基于网络流量数据的应用程序智能分类与识别一直是学术界和工业界关注的焦点,也是网络管理、安全保障和服务提升的重要基础。传统的基于端口识别和负载分析的方法对新型复杂网络流量分类效果渐微。因此,本文将研究进一步提高网络应用程序智能分类与识别的精度的新方法。完成的主要工作如下:（1）对网络应用程序产生的网络流量过程进行研究,提出一种基于等价流的聚类标签传播算法,解决了在网络应用程序中各类网络流量数据存在标签少、标记难、人工标注不精确等问题。该算法既可精确的标记网络数据包和网络流,又可标记相似应用程序的等价流,实现了流量标记和标签数据集扩充。实验表明该算法有效提升了应用程序的分类与识别精度。（2）针对应用程序识别的特征单一、关联性低、分类精度低等问题,提出一种基于双向流的聚合流特征应用程序识别算法。该算法可将应用程序的双向网络包及网络流和相似包流信息聚合提取综合性特征,可提取四大类特征,并基于随机森林建模验证该方案的可行性。此外,为提升网络流量分类精度和降低训练难度,提出一种基于联合关联的特... 

【文章来源】：中国科学院大学(中国科学院深圳先进技术研究院)广东省

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 基于端口识别的网络流量分类方法
        1.2.2 基于深度包检测的网络流量分类方法
        1.2.3 基于统计的网络流量分类方法
        1.2.4 基于行为的网络流量分类方法
    1.3 论文研究内容
    1.4 论文结构安排
第2章 相关知识介绍
    2.1 网络流量背景介绍
        2.1.1 网络流量分类的研究对象
        2.1.2 网络数据的特征选择
        2.1.3 网络流量分类识别模型
    2.2 机器学习算法
        2.2.1 k-medoids算法
        2.2.2 随机森林算法
    2.3 深度学习
        2.3.1 卷积神经网络
        2.3.2 梯度下降算法
    2.4 评价指标
    2.5 本章小结
第3章 基于双向流聚合特征的应用程序识别方法
    3.1 问题提出
    3.2 整体框架设计
    3.3 基于等价流的聚类流标签传播算法
        3.3.1 网络流量采集
        3.3.2 包级标签分类器
        3.3.3 提取聚合网络流
        3.3.4 聚类流标签传播技术
    3.4 基于双向流的聚合流特征提取方法
        3.4.1 聚合流特征生成模型
        3.4.2 数据包和网络流特征分析
        3.4.3 聚合流特征提取结果
    3.5 基于双向流的聚合流特征构建分类模型
    3.6 实验及结果分析
        3.6.1 实验环境
        3.6.2 数据预处理
        3.6.3 评估实验结果
    3.7 本章小结
第4章 基于卷积神经网络的多时空特征应用程序识别方法
    4.1 问题提出
    4.2 整体框架设计
    4.3 卷积神经网络模型
        4.3.1 网络结构
        4.3.2 激活函数
    4.4 基于卷积神经网络的多时空特征应用程序识别算法
    4.5 实验结果分析
    4.6 本章小结
第5章 结论与展望
    5.1 工作总结
    5.2 未来展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果


【参考文献】：
期刊论文
[1]《国家网络空间安全战略》(全文)[J].   中国信息安全. 2017(01)



本文编号：3052871