基于支持向量机的网络流量分类技术研究

发布时间：2021-11-06 17:49

　　随着网络技术的发展,网络中的流量增长十分迅速。对网络流量进行实时且准确的分类在网络安全管理以及流量工程中显得尤为重要。对于网络应用类型的日趋增长,传统的基于端口号和协议的方法显得尤为低效。本文对于网络流量分类技术进一步研究如何利用机器学习的方法提升网络流量的分类精度,以及面对大规模流量数据时,如何提升实时传输的能力。首先,在对流量特征进行提取时,面临着流量特征种类繁多的问题,这将导致训练时间的开销增大。为了解决因为特征冗余导致的支持向量机训练开销大的问题,本文提出了一种基于最大相关最小冗余的特征提取方法。该方法利用随机变量之间的互信息,提取出相关性最大冗余度最小的特征值。仿真结果显示,该方法可以有效减少训练时间,提升训练效率。其次,为了减少噪声对支持向量机分类的影响,本文提出了一种新的基于改进隶属度的SVM流量分类算法。这种算法主要是计算每个样本对应于其各类的隶属度,该隶属度由样本到超平面的距离来确定,用来度量每个样本所拥有的权重。仿真结果显示,该方法可以有效的减少噪声和野值对分类精度造成的影响,从而提升支持向量机分类的准确率。最后,在特征提取和支持向量机算法研究的基础之上,本文提出了... 

【文章来源】：南京邮电大学江苏省

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究背景
    1.2 国内外研究现状
        1.2.1 特征选择方法研究现状
        1.2.2 流量分类方法现状
        1.2.3 研究现状总结
    1.3 论文工作及组织结构
第二章 基于支持向量机的网络流量技术分析
    2.1 网络流量基本概念及分类模型
        2.1.1 网络数据帧
        2.1.2 网络数据流
        2.1.3 流量识别与分类模型
    2.2 特征选择概述
        2.2.1 特征选择概念
        2.2.2 特征选择操作步骤
    2.3 支持向量机算法理论
        2.3.1 统计学习理论
        2.3.2 支持向量机方法
    2.4 并行计算技术
        2.4.1 MPI
        2.4.2 MapReduce并行架构
        2.4.3 Spark并行架构
    2.5 本章小节
第三章 一种基于最小冗余最大相关的特征选择算法
    3.1 问题分析
        3.1.1 过滤式选择
        3.1.2 包裹式选择
    3.2 基于最小冗余最大相关的特征选择算法
    3.3 性能仿真分析
        3.3.1 实验环境和方案
        3.3.2 实验结果及分析
    3.4 本章小结
第四章 一种基于改进隶属度的SVM流量分类算法
    4.1 问题分析
    4.2 基于改进隶属度的SVM流量分类算法
        4.2.1 隶属度
        4.2.2 分类流程
    4.3 性能仿真分析
        4.3.1 实验环境和方案
        4.3.2 实验结果及分析
    4.4 本章小结
第五章 一种基于并行计算的流量分类算法
    5.1 问题分析
    5.2 基于并行计算的流量分类算法
    5.3 性能仿真分析
        5.3.1 实验环境和方案
        5.3.2 实验结果及分析
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
附录1 攻读硕士学位期间撰写的论文
附录2 攻读硕士学位期间申请的专利
附录3 攻读硕士学位期间参加的科研项目
致谢


【参考文献】：
期刊论文
[1]基于TCP/IP协议栈的串口-网口通信方案设计[J]. 齐宣,李一民,龙华,齐良春.  电子测量技术. 2018(08)
[2]互联网流量识别研究综述[J]. 彭立志.  济南大学学报(自然科学版). 2016(02)
[3]基于CVFDT的网络流量分类方法[J]. 朱欣,赵雷,杨季文.  计算机工程. 2011(12)
[4]基于半监督学习的网络流量分类[J]. 佘锋,王小玲.  计算机工程. 2009(12)
[5]并行计算的一体化研究现状与发展趋势[J]. 陈国良,孙广中,徐云,龙柏.  科学通报. 2009(08)



本文编号：3480260