基于万有引力粒子群算法的网络视频业务特征选择

发布时间：2021-05-09 18:03

　　互联网的飞速发展与普及,使得占据网络业务流量主导地位的视频业务流愈发重要。网络视频业务的识别与分类,可以指导网络服务供应商（Internet20Service20Provirder,ISP）进行网络资源管理的优化,以及合理的配置流量工程,从而保证视频业务的服务质量（Quality20of20Service,QoS）。本文主要对在线直播视频、即时通信类视频、P2P类视频和HTTP视频下载以及在线视频流（包括标清,高清和超清视频,即非直播视频）七种网络视频业务进行识别研究。主要的研究工作如下:提出了一种基于万有引力粒子群优化算法（Particle20Swarm20Optimization20and20Gravitational20Search20Algorithm,PSOGSA）与方差重要程度系数（Coefficient20of20Importance,CI）的特征选择方法。该方法首先根据CI对特征子集进行排序,用排名靠前的特征指导粒子群的初始化,且选择特征的同时对PSOGSA的相关参数进行了联合调优,并以复杂度较低的CI作为评价函数,选出最优的特征子集。实验表明,该方法不仅能够提高视频业... 

【文章来源】：南京邮电大学江苏省

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
专用术语注释表
第一章 绪论
    1.1 研究背景
    1.2 国内外研究现状
        1.2.1 网络流分类方法研究现状
        1.2.2 特征选择方法研究
    1.3 本文主要研究内容和论文结构
第二章 网络流分类相关知识介绍
    2.1 网络流分类中数据流的定义
    2.2 网络流分类与识别常用方法
        2.2.1 基于端口号映射的流分类方法
        2.2.2 基于有效负载的流分类方法
        2.2.3 基于主机行为的流分类方法
        2.2.4 基于机器学习的流分类方法
    2.3 网络流分类性能评价指标
    2.4 常用的监督机器学习分类方法简介
        2.4.1 支持向量机SVM算法
        2.4.2 K-近邻分类算法
    2.5 本章小结
第三章 新型特征选择方法
    3.1 特征选择算法介绍
        3.1.1 特征选择的基本流程
        3.1.2 特征选择搜索策略
        3.1.3 特征选择评价函数
    3.2 相关算法介绍
        3.2.1 GSA算法
        3.2.2 PSO算法
    3.3 基于PSOGSA-CI的特征选择算法
    3.4 实验及结果
        3.4.1 实验数据集
        3.4.2 实验Ⅰ参数调优有效性验证
        3.4.3 实验Ⅱ种群初始化有效性验证
        3.4.4 实验Ⅲ PSOGSA-CI算法在UCI数据集上的整体分类效果验证
    3.5 本章小结
第四章 网络视频流的特征选择与识别
    4.1 常见的视频流统计特征
    4.2 视频流数据获取与特征提取
    4.3 典型视频流统计特征分析
        4.3.1 下行/上行包大小均值
        4.3.2 下行包速率
        4.3.3 下行包到达时间间隔
        4.3.4 下上行字节数之比
        4.3.5 下行包大小信息熵
    4.4 PSOGSA-CI算法用于识别网络视频流
        4.4.1 实验结果
        4.4.2 所选特征合理性和有效性分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
附录1 图表清单
附录2 攻读硕士学位期间撰写的论文
附录3 攻读硕士学位期间申请的专利
致谢


【参考文献】：
期刊论文
[1]实时网络流量分类研究综述[J]. 柏骏,夏靖波,吴吉祥,任高明,赵小欢.  计算机科学. 2013(09)
[2]正交微粒群算法[J]. 薛明志,左秀会,钟伟才,刘静.  系统仿真学报. 2005(12)



本文编号：3177763