隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，網(wǎng)絡規(guī)模逐漸增大并涌現(xiàn)出各種新的網(wǎng)絡應用（如P2P、IPTV等）。這些新型流量的急速增長一方面造成嚴重的帶寬負擔，加劇網(wǎng)絡的擁塞狀況；另一方面惡意流量也頻繁出現(xiàn)在互聯(lián)網(wǎng)上，不僅加快帶寬的消耗而且對網(wǎng)絡安全也提出很大的挑戰(zhàn)。網(wǎng)絡應用的增加，導致網(wǎng)絡速率不斷增長，網(wǎng)絡節(jié)點處的網(wǎng)絡管理設備面臨越來越大的壓力。如何通過有效的技術(shù)手段實時識別和監(jiān)測流量，從而管理和控制各種惡意流量，提供合理的帶寬資源和服務，成為當前網(wǎng)絡管理面臨的重要難題之一。 網(wǎng)絡流量分類正是解決上述難題的基礎，尤其是基于半監(jiān)督學習的分類方法，不僅能夠利用少量標簽數(shù)據(jù)促進分類系統(tǒng)的性能，而且具有發(fā)現(xiàn)新的模式的功能成為當前流量分類領(lǐng)域研究的熱點。鑒于網(wǎng)絡流量本身天然的地域性、時域性，本文將分布式的理念和技術(shù)引入在線流量分類中，將分類任務分散到不同的節(jié)點上，由中心節(jié)點管理并協(xié)調(diào)各個子節(jié)點分類并提供對子節(jié)點分類結(jié)果的驗證。 首先，本文針對大多數(shù)基于有監(jiān)督機器學習的分類器過度依賴于有標簽數(shù)據(jù)問題，提出了基于k均值算法的半監(jiān)督聚類算法Semi-kmeans進行流量分類的研究。該算法使用具有準確應用類型的流量樣本作...

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 論文的研究對象和內(nèi)容
    1.2 論文的研究背景和意義
    1.3 論文的主要工作及創(chuàng)新點
        1.3.1 基于半監(jiān)督學習的流量分類方法
        1.3.2 在線流量分類模型研究
        1.3.3 分布式在線分類方法研究
    1.4 論文的組織結(jié)構(gòu)
第二章 網(wǎng)絡流量識別技術(shù)的研究現(xiàn)狀
    2.1 基于端口的分類方法
        2.1.1 基于端口分類方法的介紹
        2.1.2 基于端口分類方法的原理
        2.1.3 基于端口分類方法的分析
    2.2 基于應用層負載特征的分類方法
        2.2.1 應用層負載特征的分類技術(shù)簡介
        2.2.2 DPI 技術(shù)原理
        2.2.3 DPI 技術(shù)分析
    2.3 機器學習分類方法
        2.3.1 機器學習方法簡介
        2.3.2 機器學習原理
        2.3.3 基于機器學習的流量分類方法的分析
            2.3.3.1 基于有監(jiān)督學習的分類方法
            2.3.3.2 基于無監(jiān)督學習的分類方法
            2.3.3.3 基于半監(jiān)督學習的分類方法
    2.4 在線網(wǎng)絡流量分類方法
        2.4.1 集中式在線流量分類方法
        2.4.2 分布式在線流量分類方法
    2.5 本章小結(jié)
第三章 半監(jiān)督聚類方法的研究
    3.1 k-means 聚類算法介紹
    3.2 半監(jiān)督算法 Semi-kmeans
        3.2.1 Semi-kmeans 思想
        3.2.2 Semi-kmeans 算法的新功能
    3.3 實驗與分析
        3.3.1 實驗數(shù)據(jù)
            3.3.1.1 網(wǎng)絡應用類型
            3.3.1.2 具有真實網(wǎng)絡應用類型樣本的數(shù)據(jù)集
        3.3.2 流量特征
        3.3.3 評價方法
        3.3.4 實驗結(jié)果
            3.3.4.1 算法比較
            3.3.4.2 有標簽樣本的影響
            3.3.4.3 對有監(jiān)督分類結(jié)果的驗證
            3.3.4.4 發(fā)現(xiàn)新類的能力
            3.3.4.5 識別速度的比較
    3.4 本章小結(jié)
第四章 在線流量分類模型
    4.1 C4.5 算法介紹
    4.2 在線分類系統(tǒng)設計
        4.2.1 部署具有準確應用類型標識的流量采集環(huán)境
        4.2.2 流量轉(zhuǎn)發(fā)
        4.2.3 流量采集
        4.2.4 基于有監(jiān)督學習的在線流量分類模型
        4.2.5 基于半監(jiān)督學習的離線分類模型
        4.2.6 分類結(jié)果驗證
    4.3 實驗分析
        4.3.1 基于有監(jiān)督學習的在線分類
            4.3.1.1 實驗環(huán)境
            4.3.1.2 在線分類過程分析
        4.3.2 基于半監(jiān)督學習驗證在線分類結(jié)果
            4.3.2.1 實驗環(huán)境
            4.3.2.2 實驗結(jié)果分析
    4.4 本章總結(jié)
第五章 分布式在線識別方法的研究
    5.1 分布式在線識別方法
        5.1.1 分布式概述
        5.1.2 分布式在線識別方法
        5.1.3 分布式在線流量識別模型的設計
    5.2 分布式在線識別方法的仿真實驗
        5.2.1 仿真環(huán)境
        5.2.2 仿真數(shù)據(jù)
        5.2.3 仿真結(jié)果
    5.3 本章小結(jié)
第六章 總結(jié)和展望
參考文獻
致謝
附錄



本文編號：3751738