本文關鍵詞：基于DBN的網絡流量分類的研究

  更多相關文章： 神經網絡 DBN P2P流量 網絡流量分類

【摘要】：針對現有模型對P2P流量分類準確率較低的問題,本文提出一種基于深度學習結構、半監(jiān)督的深度置信網絡(Deep Belief Networks, DBN)的流量分類方法,構造P2P流量合適的特征空間,建立基于DBN的網絡流量分類模型,并對模型的隱含節(jié)點個數和隱含層個數進行選擇,進而提高DBN模型對P2P流量的分類準確率。本文使用基于進程的方式構造了P2P流量私有數據集,并將此數據集和劍橋大學Moore實驗室、LiWei等人提供的公共數據集作為本文的實驗數據集,分別使用BP方法和DBN方法進行建模、測試并對實驗結果進行分析。得出BP神經網絡的隱含層個數為1-2層時P2P應用的分類準確率最高,而DBN方法的隱含層個數在3～4層時分類準確率最高。對于公共數據集,DBN方法對P2P應用的F-measure值高于BP方法23.3%；對于私有數據集,DBN方法對iQiyiPPS、 Sohu、PPTV和Baofeng的平均F-measure值高于BP方法13.2%。
【關鍵詞】：神經網絡 DBN P2P流量 網絡流量分類
【學位授予單位】：內蒙古大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP393.06
【目錄】：

• 摘要4-5
• ABSTRACT5-10
• 第一章 緒論10-13
• 1.1 研究背景及意義10-11
• 1.2 國內外研究現狀11
• 1.3 研究的主要內容11-12
• 1.4 論文結構安排12-13
• 第二章 網絡流量分類的研究13-18
• 2.1 網絡流量分類概述13-16
• 2.1.1 端口號匹配法13
• 2.1.2 負載匹配法13-14
• 2.1.3 主機行為法14
• 2.1.4 機器學習法14-16
• 2.2 DBN方法16-17
• 2.3 本章小結17-18
• 第三章 基于DBN的網絡流量分類模型的設計18-31
• 3.1 BP神經網絡和DBN的介紹與分析18-20
• 3.1.1 BP神經網絡的分析18-19
• 3.1.2 DBN的分析19-20
• 3.2 模型整體設計20-21
• 3.3 數據集的構造21-24
• 3.3.1 數據集的選擇21-22
• 3.3.2 私有數據集基準的建立22-23
• 3.3.3 特征提取23-24
• 3.4 DBN半監(jiān)督模型的訓練24-30
• 3.4.1 數據集預處理25-26
• 3.4.2 DBN隱含節(jié)點個數的選擇26-29
• 3.4.2.1 隱含節(jié)點個數的選擇標準27-28
• 3.4.2.2 隱含節(jié)點個數的選擇流程28-29
• 3.4.3 DBN隱含層個數的選擇29-30
• 3.4.3.1 隱含層個數的選擇標準29-30
• 3.4.3.2 隱含層個數的選擇流程30
• 3.5 本章小結30-31
• 第四章 基于DBN的網絡流量分類模型的實現與分析31-47
• 4.1 實驗環(huán)境及實驗工具31-35
• 4.1.1 Wireshark捕獲數據包31-32
• 4.1.2 Process monitor建立基準32-34
• 4.1.3 Matlab建模34-35
• 4.2 實驗數據集35-36
• 4.2.1 公共數據集35-36
• 4.2.2 私有數據集36
• 4.3 隱含節(jié)點個數的選擇過程及其分析36-39
• 4.3.1 公共數據集隱含節(jié)點個數的選擇36-38
• 4.3.2 私有數據集隱含節(jié)點個數的選擇38-39
• 4.4 隱含層個數的選擇過程及其分析39-40
• 4.4.1 公共數據集隱含層個數的選擇39-40
• 4.4.2 私有數據集隱含層個數的選擇40
• 4.5 DBN與BP模型的實驗過程及其對比分析40-46
• 4.5.1 實驗評價標準41
• 4.5.2 公共數據集實驗過程及其分析41-44
• 4.5.3 私有數據集實驗過程及其分析44-46
• 4.6 本章小結46-47
• 第五章 總結與展望47-49
• 5.1 總結47
• 5.2 下一步工作47-49
• 致謝49-50
• 參考文獻50-52

【參考文獻】

中國期刊全文數據庫 前2條

1 張敏;陳常嘉;;基于測量的UDP流特性分析[J];北京交通大學學報;2010年05期

2 徐鵬;林森;;基于C4.5決策樹的流量分類方法[J];軟件學報;2009年10期

，

本文編號：917901