【摘要】：隨著互聯(lián)網(wǎng)技術的高速發(fā)展,對于網(wǎng)絡環(huán)境安全的需要也越來越緊迫。網(wǎng)絡流量分類技術作為實現(xiàn)網(wǎng)絡可控性的基礎技術和重要手段,在網(wǎng)絡管理、服務質量保障和網(wǎng)絡安全等領域正在發(fā)揮越來越重要的作用。本文研究了現(xiàn)有的網(wǎng)絡流量分類技術,總結了基于端口號匹配、基于特征字段分析、基于傳輸層行為模式和基于流統(tǒng)計特征的機器學習方法各自的優(yōu)勢和不足。鑒于基于機器學習算法的網(wǎng)絡流量分類技術分類精度高、易于擴展等優(yōu)點,選取隨機森林作為網(wǎng)絡流量分類方法,并針對傳統(tǒng)隨機森林的不足提出了改進策略,最后再將改進的隨機森林策略實現(xiàn)到OCTEON平臺上,設計并實現(xiàn)了基于OCTEON多核處理器的網(wǎng)絡流量分類系統(tǒng)。最后,搭建了系統(tǒng)測試環(huán)境,對系統(tǒng)進行了有效性測試。主要工作有以下幾個方面:1、 在充分理解傳統(tǒng)隨機森林算法的基礎上,根據(jù)算法本身存在的單節(jié)點模型訓練速度慢和不區(qū)分基分類器強弱性能差異的不足,從并行性和加權調整兩方面入手提出了改進的隨機森林策略;2、 對OCTEON本身的硬件特性進行研究,將OCTEON的運行模式、核間同步通信機制和內存分配機制等優(yōu)秀特性與改機的隨機森林策略結合起來,在OCTEON平臺上實現(xiàn)改進的隨機森林模型;3、 實現(xiàn)了基于OCTEON多核處理器的網(wǎng)絡流量分類系統(tǒng),詳細介紹了系統(tǒng)的架構設計,各個功能模塊的詳細設計和實現(xiàn),并搭建了系統(tǒng)測試環(huán)境,對系統(tǒng)的分類性能進行了測試,驗證了系統(tǒng)在流量分類方面的優(yōu)異性能。
[Abstract]:With the rapid development of Internet technology, the need for network environment security is becoming more and more urgent. As the basic technology and important means to realize network controllability, network traffic classification technology is playing a more and more important role in network management, quality of service assurance and network security. In this paper, the existing network traffic classification techniques are studied, and the advantages and disadvantages of the methods based on port number matching, feature field analysis, transport layer behavior pattern and flow statistics feature based machine learning are summarized. In view of the advantages of network traffic classification based on machine learning algorithm, such as high accuracy and easy to be extended, random forest is selected as network traffic classification method, and an improved strategy is proposed to overcome the shortcomings of traditional stochastic forest. Finally, the improved stochastic forest strategy is implemented on OCTEON platform, and a network traffic classification system based on OCTEON multi-core processor is designed and implemented. Finally, the system testing environment is built, and the effectiveness of the system is tested. The main work includes the following aspects: 1. On the basis of fully understanding the traditional stochastic forest algorithm, according to the shortcomings of the single node model training speed and the difference in the performance of the base classifier, In this paper, an improved stochastic forest strategy is put forward from two aspects of parallelism and weighting adjustment. The hardware characteristics of OCTEON are studied, and the operation mode of OCTEON is put forward. Combining the excellent characteristics of synchronous communication mechanism and memory allocation mechanism between cores with the random forest strategy of the machine, an improved stochastic forest model, named as "random forest model", is implemented on the OCTEON platform, and a network traffic classification system based on OCTEON multi-core processor is implemented. The architecture design of the system and the detailed design and implementation of each functional module are introduced in detail. The system testing environment is built, and the classification performance of the system is tested, which verifies the excellent performance of the system in traffic classification.
【學位授予單位】：北京郵電大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP332;TP393.06

【參考文獻】

相關期刊論文 前10條

1 張澤鑫;李俊;常向青;;互聯(lián)網(wǎng)流量的演化研究[J];計算機應用研究;2015年11期

2 寇曉斌;楊琴;王亮亮;;主流處理器體系結構與架構發(fā)展現(xiàn)狀綜述[J];微型機與應用;2014年16期

3 張凱;秦勃;劉其成;;基于GPU-Hadoop的并行計算框架研究與實現(xiàn)[J];計算機應用研究;2014年08期

4 周文剛;陳雷霆;Lubomir Bic;董仕;;基于半監(jiān)督的網(wǎng)絡流量分類識別算法[J];電子測量與儀器學報;2014年04期

5 彭勃;;Network Traffic分類方法比較分析[J];電腦知識與技術;2013年33期

6 李斌;;網(wǎng)絡流量分類及其現(xiàn)狀研究[J];廣西教育;2013年39期

7 趙小歡;夏靖波;連向磊;李巧麗;;基于AdaBoost的組合網(wǎng)絡流量分類方法[J];電訊技術;2013年09期

8 彭曉明;郭浩然;龐建民;;多核處理器——技術、趨勢和挑戰(zhàn)[J];計算機科學;2012年S3期

9 孔蓓蓓;唐學文;汪為漢;;一種多分類器聯(lián)合的集成網(wǎng)絡流量分類方法[J];計算機工程與應用;2013年17期

10 李國平;王勇;陶曉玲;;基于DPI和機器學習的網(wǎng)絡流量分類方法[J];桂林電子科技大學學報;2012年02期

相關博士學位論文 前1條

1 王清;集成學習中若干關鍵問題的研究[D];復旦大學;2011年

相關碩士學位論文 前10條

1 程順超;基于Calculix的多核并行分析機制研究及平臺設計與實現(xiàn)[D];廣東工業(yè)大學;2015年

2 陳嘉翼;基于小波聚類的網(wǎng)絡用戶行為分析研究[D];重慶大學;2015年

3 遇炳昕;基于OCTEON多核處理器的網(wǎng)絡數(shù)據(jù)過濾技術研究[D];北京郵電大學;2015年

4 丁瑤;基于DPI和DFI的應用層網(wǎng)絡流量監(jiān)控系統(tǒng)的研究與實現(xiàn)[D];江西理工大學;2014年

5 張瑩;基于數(shù)據(jù)流挖掘的流量識別技術研究[D];曲阜師范大學;2014年

6 劉曉東;基于組合策略的隨機森林方法研究[D];大連理工大學;2013年

7 王瑤;結合主動學習的半監(jiān)督分類算法優(yōu)化研究[D];大連理工大學;2013年

8 馬憲哲;基于集成分類器的數(shù)據(jù)流分類算法研究[D];東北大學;2012年

9 秦海兵;基于多核平臺的程序并行優(yōu)化研究[D];長安大學;2012年

10 王傳磊;基于行為特征的P2P網(wǎng)絡流量分類方法研究[D];西安電子科技大學;2012年

，

本文編號：2249563