基于卷积神经网络的流量分类方法研究

发布时间：2024-10-21 20:31

　　网络流量分类是网络运维管理和网络安全领域的基本工作之一,它是指根据流量特征,在流量数据与应用类型之间建立映射关系。一方面,网络管理者希望对实时性要求较高的应用提供高优先级的通讯保障,尽量减少有关数据包的阻塞,以增强用户的上网体验;另一方面,面对网络攻击等入侵流量,需要网络管理人员及时发现并阻断。按照工作原理的不同,流量分类方法可分为基于端口匹配、负载匹配、机器学习和深度学习四种方法,由于前三种方法难以应对当今复杂多变的网络环境,深度学习法成为解决网络流量分类问题的新方向。本文主要研究卷积神经网络在流量分类中的应用,分别从恶意流量识别和加密流量识别两个角度进行实验探究。本文首先进行网络流量原始数据的预处理,采用图像化的策略,设计了四种不同的流量分割方法,经过分割、清洗和转换等步骤,将网络流量转化为卷积神经网络的标准输入。随后设计了一种隐藏层层数少、结构相对简单的二维卷积神经网络,对正常流量和恶意流量按照不同的需求层次进行分类,通过一系列实验确定了适合恶意流量分类任务的最佳流量分割方法,并证实了将二维卷积神经网络应用在恶意流量分类具有良好的准确率。最后在恶意流量分类研究的基础上,针对负载匹配...

【文章页数】：70 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 研究的关键问题
    1.3 本文主要工作
    1.4 本文章节安排
第二章 流量分类研究现状与深度学习相关理论
    2.1 流量分类研究现状
        2.1.1 基于端口匹配
        2.1.2 基于负载匹配
        2.1.3 基于机器学习
        2.1.4 基于深度学习
    2.2 深度学习相关理论
        2.2.1 深度学习的基本概念
        2.2.2 深度学习的现代应用
        2.2.3 全连接神经网络
        2.2.4 反向传播算法
        2.2.5 卷积神经网络
    2.3 本章小结
第三章 基于卷积神经网络的恶意流量分类
    3.1 引言
    3.2 数据预处理
        3.2.1 数据集
        3.2.2 数据预处理
    3.3 模型构建
    3.4 实验分析
        3.4.1 软硬件环境
        3.4.2 评价标准
        3.4.3 实验结果分析
        3.4.4 与其他方法的比较
    3.5 本章小结
第四章 基于卷积神经网络的加密流量分类
    4.1 引言
    4.2 数据预处理
        4.2.1 数据集
        4.2.2 数据预处理
    4.3 基于二维卷积神经网络的实验
        4.3.1 模型构建
        4.3.2 实验结果分析
    4.4 基于一维卷积神经网络的实验
        4.4.1 模型构建
        4.4.2 实验结果分析
    4.5 基于WideResNet的实验
        4.5.1 模型构建
        4.5.2 实验结果分析
    4.6 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 工作展望
参考文献
致谢



本文编号：4008106