基于聚类分析的电力通信网络流量分类算法研究

发布时间：2017-10-19 11:36

  本文关键词：基于聚类分析的电力通信网络流量分类算法研究

  更多相关文章： EM算法 高斯混合模型 流量识别 机器学习

【摘要】：本学位论文来自于国家电网公司“电力通信网络智能管道多维感知技术研究及应用”科技项目,研究目标为面向业务的流量识别与感知,主要内容为基于期望最大化(Expectation Maximization, EM)算法的网络流量识别算法研究,将EM算法引入流量识别中改善分类性能。针对EM算法易受初始化影响的缺点,提出一种基于Z限制矩阵和Tsallis熵的EM改进算法。此算法在分析了通用组件模型和独立混合模型这两种混合模型的优缺点,结合二者的特性构建出一个限制矩阵Z,利用此限制矩阵Z和基于Tsallis熵的q参数确定性退火期望最大化(q-DAEM, q-Deterministic Annealing Expectation Maximization)算法构建出新的算法,在Moore采集的网络集上验证实际的流量识别效果,结果表明此算法在增加部分计算量同时取得了比EM,DAEM都要好的分类效果。针对EM算法构建的高斯混合模型易受离群值影响的特点,提出一种基于中值位置和基于秩的散布阵估计的空间EM算法。基于椭圆分布中均值和协方差均值崩溃点低,易受离群值影响的问题,将均值与分布替换成空间中值和秩协方差矩阵,在Moore采集的网络集上验证实际的流量识别效果,结果表明此算法对于识别率较低的ATTACK流量有明显的识别效果。全文共分为五章,主要内容为：第一章简介课题背景及研究意义,阐述流量识别的基本原理,分析几种常见的流量识别技术,着重介绍了用于流量识别的机器学习,同时给出论文的章节安排。第二章概述EM算法,分析EM算法中的不足之处,并介绍几种已有的EM改进算法。第三章提出一种新的基于Z限制矩阵和Tsallis熵的EM改进算法,并在Moore集上采用精细指标考察其实际的流量识别效果。第四章提出一种基于中值位置和秩散布阵估计得新的空间EM改进算法,并在Moore集上基于ATTACK业务验证算法的稳健性,对离群值的不敏感性。最后一章总结本学位论文的研究工作,分析不足之处并指出进一步研究的工作方向。
【关键词】：EM算法 高斯混合模型 流量识别 机器学习
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN915.853
【目录】：

• 摘要5-6
• Abstract6-9
• 缩略语9-10
• 第一章 绪论10-16
• 1.1 课题背景和研究目的10
• 1.2 流量识别方法概述10-14
• 1.2.1 流量分类技术发展现状10-12
• 1.2.2 机器学习研究现状12-14
• 1.3 论文主要内容及章节安排14-16
• 第二章 EM算法基本理论16-28
• 2.1 有限混合模型16-18
• 2.2 EM算法原理18-23
• 2.2.1 EM算法18-21
• 2.2.2 EM算法的性质21
• 2.2.3 高斯混合模型的参数估计21-23
• 2.3 EM算法改进23-27
• 2.3.1 初始值问题的讨论23-24
• 2.3.2 Component-Wise EM算法24-25
• 2.3.3 SMEM算法25-26
• 2.3.4 DAEM算法26-27
• 2.4 本章小结27-28
• 第三章 基于Z矩阵和Tsallis熵的改进算法28-48
• 3.1 基于混合模型的分类28-32
• 3.2 q-DAEM算法及收敛性分析32-36
• 3.2.1 Tsallis熵32
• 3.2.2 q-DAEM算法32-35
• 3.2.3 收敛性分析35-36
• 3.3 I-EM算法36-37
• 3.4 实验仿真37-46
• 3.4.1 Weka软件介绍37-39
• 3.4.2 实验数据集及其预处理39-42
• 3.4.3 仿真结果及评价42-46
• 3.5 本章小结46-48
• 第四章 基于空间的EM改进算法48-60
• 4.1 稳健统计48-50
• 4.1.1 离群值49
• 4.1.2 崩溃点49-50
• 4.2 均值和协方差矩阵的替代50-53
• 4.2.1 L_1中值50-52
• 4.2.2 秩协方差矩阵52-53
• 4.3 空间EM算法53-54
• 4.4 实验仿真54-58
• 4.4.1 实验场景54-55
• 4.4.2 实验结果分析55-58
• 4.5 本章总结58-60
• 第五章 总结与展望60-62
• 5.1 研究内容的总结60
• 5.2 进一步工作展望60-62
• 致谢62-64
• 参考文献64-68
• 攻读硕士学位期间的研究成果68

【相似文献】

中国期刊全文数据库 前10条

1 杨铮;李国元;左敏;;一个嵌入式网络流量识别系统的设计与实现[J];计算机系统应用;2008年06期

2 辛峰;於建华;;互联网流量识别技术的研究及实现[J];广东通信技术;2008年03期

3 李晗;刘泷;;应用层流量识别方法的研究[J];广东通信技术;2008年04期

4 梁伟;李晗;;网络流量识别方法研究[J];通信技术;2008年11期

5 张玲;李君;孙雁飞;;快速应用层流量识别方法的研究与实现[J];电信快报;2009年10期

6 葛体富;;网络流量识别技术以及实现方案浅议[J];电脑知识与技术;2011年22期

7 侯艳;;基于深度包和流的流量识别系统设计[J];电子设计工程;2013年22期

8 马保雷;宋颖慧;刘亚维;;基于概念漂移检测的自适应流量识别的研究[J];智能计算机与应用;2013年06期

9 张众;杨建华;谢高岗;;高效可扩展的应用层流量识别架构[J];通信学报;2008年12期

10 吴震;刘兴彬;童晓民;;基于信息熵的流量识别方法[J];计算机工程;2009年20期

中国重要会议论文全文数据库 前7条

1 马永立;寿国础;胡怡红;钱宗珏;区海平;;新型网络流量识别分析系统及其性能评估[A];第六届全国信息获取与处理学术会议论文集（2）[C];2008年

2 张娜娜;;P2P流量识别方法研究[A];江苏省电子学会2010年学术年会论文集[C];2010年

3 高长喜;辛阳;钮心忻;杨义先;;基于行为特征分析的P2P流量识别技术的研究[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年

4 许刘兵;;基于人工神经网络的P2P流量识别模型的研究[A];中国电子学会第十五届信息论学术年会暨第一届全国网络编码学术年会论文集（上册）[C];2008年

5 贾波;邹园萍;;基于无监督学习的P2P流量识别[A];浙江省信号处理学会2011学术年会论文集[C];2011年

6 王波;周晓光;苏志远;;基于节点状态的P2P流量识别系统[A];中国电子学会第十五届信息论学术年会暨第一届全国网络编码学术年会论文集（下册）[C];2008年

7 王波;周晓光;苏志远;;基于节点状态的P2P流量识别系统[A];2008通信理论与技术新发展——第十三届全国青年通信学术会议论文集（下）[C];2008年

中国博士学位论文全文数据库 前8条

1 侯颖;网络流量测量与识别关键技术研究[D];解放军信息工程大学;2015年

2 宫婧;基于支持向量机的P2P流量识别关键技术研究[D];南京邮电大学;2016年

3 林冠洲;网络流量识别关键技术研究[D];北京邮电大学;2011年

4 田旭;互联网流量识别技术研究[D];北京邮电大学;2012年

5 彭建芬;P2P流量识别关键技术研究[D];北京邮电大学;2011年

6 张剑;宽带接入网流量识别关键技术研究[D];北京邮电大学;2011年

7 李冰;VoIP和P2P IPTV流量的识别与测量研究[D];天津大学;2010年

8 郭振滨;互联网测量与建模研究[D];北京交通大学;2012年

中国硕士学位论文全文数据库 前10条

1 王晓明;家庭网络流量识别与QoS控制[D];山东大学;2015年

2 石林;基于DPI的流量识别方法研究与应用[D];江西理工大学;2015年

3 武光达;基于DPI的流量识别系统设计[D];贵州大学;2015年

4 罗平;网络层流量识别与关键内容提取系统设计与实现[D];电子科技大学;2014年

5 白宇;基于马尔可夫链的加密流识别系统研究与实现[D];北京理工大学;2015年

6 谭静;基于机器学习的P2P流量识别算法研究[D];河南理工大学;2014年

7 龚雪梅;基于用户感知的无线网络流量识别与控制的设计与实现[D];电子科技大学;2015年

8 王炜;网络应用层加密流量识别技术研究[D];解放军信息工程大学;2014年

9 王伟萌;基于应用层的流量识别系统设计与实现[D];北方工业大学;2016年

10 刘松吟;基于聚类分析的电力通信网络流量分类算法研究[D];东南大学;2016年

，

本文编号：1060880