基于多分类器融合的移动网络流量识别方法研究

发布时间：2021-04-21 05:49

　　随着移动网络的迅速发展及移动应用的繁荣,移动网络流量识别在网络管理与网络安全等领域的重要性越来越突出。不同于传统工作站流量,移动网络流量的特殊性给传统流量识别技术带来了极大的挑战,如需细粒度识别,流量加密,应用数量巨大等等。机器学习技术在众多领域中都表现出优秀的分类性能,对解决目前移动网络流量识别技术存在的问题具有重大潜力。本文基于机器学习方法对适用于真实网络环境的移动网络流量识别技术展开相关研究。主要工作如下:（1）为了能识别目标应用流量及检测大量未知应用流量,提出一种基于分类器融合的多层分类器架构识别移动应用流量。首先,为了避免受流量加密,隧道等技术的影响,提取的流量特征集仅包含流量的统计特征及少量原负载字节值。然后,训练基于决策树模型的多层分类器,在不同层实现细粒度的目标应用流量识别和未知应用流量检测。最后,收集一个具有代表性的,较大规模的移动应用流量数据集用于验证本方法的有效性。实验结果表明本文的方法具有高识别精度,能有效的检测未知应用流量。（2）提出两种模型调整算法用于优化基于FPGA的决策树加速实现,从而使得工作（1）提出的算法易于进行硬件加速。首先,给出一种决策树模型中的... 

【文章来源】：国防科技大学湖南省 211工程院校 985工程院校

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 研究现状
        1.2.1 基于DNS的网络流量识别研究现状
        1.2.2 基于DPI的网络流量识别研究现状
        1.2.3 基于网络行为的网络流量识别研究现状
        1.2.4 基于机器学习的网络流量识别研究现状
    1.3 主要工作与创新点
    1.4 论文结构
第二章 相关研究与技术
    2.1 网络流量识别相关概念
        2.1.1 应用场景
        2.1.2 识别对象
        2.1.3 识别类型
    2.2 基于机器学习的流量识别技术介绍
        2.2.1 数据集收集与标记
        2.2.2 流量特征提取
        2.2.3 流量识别模型
    2.3 本章小结
第三章 基于多层分类器的移动应用流量识别方法
    3.1 多层分类器模型设计
        3.1.1 动机分析
        3.1.2 术语介绍
        3.1.3 整体架构
    3.2 分类器实现
        3.2.1 特征提取
        3.2.2 模糊流提取
        3.2.3 基分类器
    3.3 数据收集
        3.3.1 收集工具介绍
        3.3.2 数据集介绍
    3.4 实验设置与结果分析
        3.4.1 实验设置
        3.4.2 实验结果与分析
    3.5 本章小结
第四章 基于决策树的模型调整方法
    4.1 引言
    4.2 基于层级流水的决策树加速方案
    4.3 决策树浮点数阈值离散化方法
        4.3.1 浮点数阈值离散化方法
        4.3.2 实验设置与评估
    4.4 决策树模型自适应调整方法
        4.4.1 决策树模型自适应调整方法
        4.4.2 实验设置与评估
    4.5 本章小结
第五章 基于网络行为的移动流量识别方法
    5.1 引言
    5.2 基于网络行为的移动流量识别方法
        5.2.1 特征提取
        5.2.2 聚类
        5.2.3 网络特征库构建
    5.3 实验与结果分析
        5.3.1 数据集
        5.3.2 识别结果
    5.4 本章小结
第六章 总结与展望
    6.1 本文主要工作总结
    6.2 研究展望
致谢
参考文献
作者在学期间取得的学术成果



本文编号：3151182