機(jī)載網(wǎng)絡(luò)拓?fù)鋭討B(tài)性強(qiáng),帶寬受限等特點(diǎn)導(dǎo)致其難以為多樣化的航空集群作戰(zhàn)任務(wù)提供可靠的信息交互服務(wù),因此需要對網(wǎng)絡(luò)中的"大流量對象"進(jìn)行實(shí)時(shí)識別,從而優(yōu)化流量控制,提升網(wǎng)絡(luò)性能。針對該問題,基于機(jī)器學(xué)習(xí)貝葉斯模型,提出一種時(shí)效增強(qiáng)的流量識別方法,首先通過對原始流量數(shù)據(jù)集進(jìn)行預(yù)處理得到數(shù)據(jù)流訓(xùn)練子集,并基于貝葉斯網(wǎng)絡(luò)模型構(gòu)造子分類器,然后基于多窗口動態(tài)貝葉斯網(wǎng)絡(luò)分類器模型實(shí)現(xiàn)大流量對象的早期識別。仿真結(jié)果表明,相較于現(xiàn)有的大流識別方法,所提方法可以在保證識別準(zhǔn)確性的條件下有效提升識別時(shí)效性。 

【文章來源】：西北工業(yè)大學(xué)學(xué)報(bào). 2020,38(02)北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

某機(jī)載網(wǎng)絡(luò)中的數(shù)據(jù)流分布情況

針對機(jī)載網(wǎng)絡(luò)中基于ISF特征的大流識別,本文構(gòu)造了多窗口動態(tài)貝葉斯網(wǎng)絡(luò)分類模型(multi-window dynamic bayesian network classifier,MWD-BNC),如圖2所示。在ISFC線下訓(xùn)練階段,設(shè)置n個(gè)訓(xùn)練窗口值遞增的ISW-T,通過提取原始數(shù)據(jù)集流量在不同窗口值下的前部子流特征,從而將原始數(shù)據(jù)流訓(xùn)練集轉(zhuǎn)換為n個(gè)數(shù)據(jù)流ISF子訓(xùn)練集,之后通過貝葉斯網(wǎng)絡(luò)搜索算法生成n個(gè)相應(yīng)的子ISFC,最后按照窗口值升序,將n個(gè)子ISFC的依次組合,從而構(gòu)成MWD-BNC。在數(shù)據(jù)流線上識別階段,相應(yīng)設(shè)置n個(gè)窗口值與ISW-T相同的ISW-C實(shí)現(xiàn)線上對未知數(shù)據(jù)流ISF的捕獲,提取ISF測試實(shí)例特征信息,然后輸入MWD-BNC,動態(tài)分析識別準(zhǔn)確性與時(shí)效性之間的平衡關(guān)系,并通過相應(yīng)窗口值下的BNSC實(shí)現(xiàn)未知大流樣本的識別。

基于原始網(wǎng)絡(luò)流量數(shù)據(jù)集構(gòu)建正負(fù)實(shí)例平衡的ISF訓(xùn)練集, ISW-T對數(shù)據(jù)流ISF的提取流程設(shè)計(jì)如圖3所示。在MWD-BNC模型線下訓(xùn)練階段,根據(jù)ISW-T對數(shù)據(jù)流ISF的提取流程,所含數(shù)據(jù)包數(shù)量較多的數(shù)據(jù)流趨向于被ISW-T篩選進(jìn)入ISF子訓(xùn)練集中;

【參考文獻(xiàn)】：
期刊論文
[1]軟件定義航空集群機(jī)載戰(zhàn)術(shù)網(wǎng)絡(luò)[J]. 趙尚弘,陳柯帆,呂娜,王翔,趙靜.  通信學(xué)報(bào). 2017(08)
[2]基于流抽樣和LRU的高速網(wǎng)絡(luò)大流檢測算法[J]. 白磊,田立勤,陳超.  計(jì)算機(jī)應(yīng)用與軟件. 2016(04)
[3]機(jī)載網(wǎng)絡(luò)體系結(jié)構(gòu)及其協(xié)議棧研究進(jìn)展[J]. 梁一鑫,程光,郭曉軍,周愛平.  軟件學(xué)報(bào). 2016(01)
[4]基于C4.5決策樹的流量分類方法[J]. 徐鵬,林森.  軟件學(xué)報(bào). 2009(10)



本文編號：2992460