隨著移動網絡的迅速發(fā)展及移動應用的繁榮,移動網絡流量識別在網絡管理與網絡安全等領域的重要性越來越突出。不同于傳統(tǒng)工作站流量,移動網絡流量的特殊性給傳統(tǒng)流量識別技術帶來了極大的挑戰(zhàn),如需細粒度識別,流量加密,應用數量巨大等等。機器學習技術在眾多領域中都表現(xiàn)出優(yōu)秀的分類性能,對解決目前移動網絡流量識別技術存在的問題具有重大潛力。本文基于機器學習方法對適用于真實網絡環(huán)境的移動網絡流量識別技術展開相關研究。主要工作如下:（1）為了能識別目標應用流量及檢測大量未知應用流量,提出一種基于分類器融合的多層分類器架構識別移動應用流量。首先,為了避免受流量加密,隧道等技術的影響,提取的流量特征集僅包含流量的統(tǒng)計特征及少量原負載字節(jié)值。然后,訓練基于決策樹模型的多層分類器,在不同層實現(xiàn)細粒度的目標應用流量識別和未知應用流量檢測。最后,收集一個具有代表性的,較大規(guī)模的移動應用流量數據集用于驗證本方法的有效性。實驗結果表明本文的方法具有高識別精度,能有效的檢測未知應用流量。（2）提出兩種模型調整算法用于優(yōu)化基于FPGA的決策樹加速實現(xiàn),從而使得工作（1）提出的算法易于進行硬件加速。首先,給出一種決策樹模型中的... 

【文章來源】：國防科技大學湖南省 211工程院校 985工程院校

【文章頁數】：77 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
        1.2.1 基于DNS的網絡流量識別研究現(xiàn)狀
        1.2.2 基于DPI的網絡流量識別研究現(xiàn)狀
        1.2.3 基于網絡行為的網絡流量識別研究現(xiàn)狀
        1.2.4 基于機器學習的網絡流量識別研究現(xiàn)狀
    1.3 主要工作與創(chuàng)新點
    1.4 論文結構
第二章 相關研究與技術
    2.1 網絡流量識別相關概念
        2.1.1 應用場景
        2.1.2 識別對象
        2.1.3 識別類型
    2.2 基于機器學習的流量識別技術介紹
        2.2.1 數據集收集與標記
        2.2.2 流量特征提取
        2.2.3 流量識別模型
    2.3 本章小結
第三章 基于多層分類器的移動應用流量識別方法
    3.1 多層分類器模型設計
        3.1.1 動機分析
        3.1.2 術語介紹
        3.1.3 整體架構
    3.2 分類器實現(xiàn)
        3.2.1 特征提取
        3.2.2 模糊流提取
        3.2.3 基分類器
    3.3 數據收集
        3.3.1 收集工具介紹
        3.3.2 數據集介紹
    3.4 實驗設置與結果分析
        3.4.1 實驗設置
        3.4.2 實驗結果與分析
    3.5 本章小結
第四章 基于決策樹的模型調整方法
    4.1 引言
    4.2 基于層級流水的決策樹加速方案
    4.3 決策樹浮點數閾值離散化方法
        4.3.1 浮點數閾值離散化方法
        4.3.2 實驗設置與評估
    4.4 決策樹模型自適應調整方法
        4.4.1 決策樹模型自適應調整方法
        4.4.2 實驗設置與評估
    4.5 本章小結
第五章 基于網絡行為的移動流量識別方法
    5.1 引言
    5.2 基于網絡行為的移動流量識別方法
        5.2.1 特征提取
        5.2.2 聚類
        5.2.3 網絡特征庫構建
    5.3 實驗與結果分析
        5.3.1 數據集
        5.3.2 識別結果
    5.4 本章小結
第六章 總結與展望
    6.1 本文主要工作總結
    6.2 研究展望
致謝
參考文獻
作者在學期間取得的學術成果



本文編號：3151182