網(wǎng)絡流量分類是網(wǎng)絡運維管理和網(wǎng)絡安全領域的基本工作之一,它是指根據(jù)流量特征,在流量數(shù)據(jù)與應用類型之間建立映射關系。一方面,網(wǎng)絡管理者希望對實時性要求較高的應用提供高優(yōu)先級的通訊保障,盡量減少有關數(shù)據(jù)包的阻塞,以增強用戶的上網(wǎng)體驗;另一方面,面對網(wǎng)絡攻擊等入侵流量,需要網(wǎng)絡管理人員及時發(fā)現(xiàn)并阻斷。按照工作原理的不同,流量分類方法可分為基于端口匹配、負載匹配、機器學習和深度學習四種方法,由于前三種方法難以應對當今復雜多變的網(wǎng)絡環(huán)境,深度學習法成為解決網(wǎng)絡流量分類問題的新方向。本文主要研究卷積神經(jīng)網(wǎng)絡在流量分類中的應用,分別從惡意流量識別和加密流量識別兩個角度進行實驗探究。本文首先進行網(wǎng)絡流量原始數(shù)據(jù)的預處理,采用圖像化的策略,設計了四種不同的流量分割方法,經(jīng)過分割、清洗和轉換等步驟,將網(wǎng)絡流量轉化為卷積神經(jīng)網(wǎng)絡的標準輸入。隨后設計了一種隱藏層層數(shù)少、結構相對簡單的二維卷積神經(jīng)網(wǎng)絡,對正常流量和惡意流量按照不同的需求層次進行分類,通過一系列實驗確定了適合惡意流量分類任務的最佳流量分割方法,并證實了將二維卷積神經(jīng)網(wǎng)絡應用在惡意流量分類具有良好的準確率。最后在惡意流量分類研究的基礎上,針對負載匹配...

【文章頁數(shù)】：70 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 研究的關鍵問題
    1.3 本文主要工作
    1.4 本文章節(jié)安排
第二章 流量分類研究現(xiàn)狀與深度學習相關理論
    2.1 流量分類研究現(xiàn)狀
        2.1.1 基于端口匹配
        2.1.2 基于負載匹配
        2.1.3 基于機器學習
        2.1.4 基于深度學習
    2.2 深度學習相關理論
        2.2.1 深度學習的基本概念
        2.2.2 深度學習的現(xiàn)代應用
        2.2.3 全連接神經(jīng)網(wǎng)絡
        2.2.4 反向傳播算法
        2.2.5 卷積神經(jīng)網(wǎng)絡
    2.3 本章小結
第三章 基于卷積神經(jīng)網(wǎng)絡的惡意流量分類
    3.1 引言
    3.2 數(shù)據(jù)預處理
        3.2.1 數(shù)據(jù)集
        3.2.2 數(shù)據(jù)預處理
    3.3 模型構建
    3.4 實驗分析
        3.4.1 軟硬件環(huán)境
        3.4.2 評價標準
        3.4.3 實驗結果分析
        3.4.4 與其他方法的比較
    3.5 本章小結
第四章 基于卷積神經(jīng)網(wǎng)絡的加密流量分類
    4.1 引言
    4.2 數(shù)據(jù)預處理
        4.2.1 數(shù)據(jù)集
        4.2.2 數(shù)據(jù)預處理
    4.3 基于二維卷積神經(jīng)網(wǎng)絡的實驗
        4.3.1 模型構建
        4.3.2 實驗結果分析
    4.4 基于一維卷積神經(jīng)網(wǎng)絡的實驗
        4.4.1 模型構建
        4.4.2 實驗結果分析
    4.5 基于WideResNet的實驗
        4.5.1 模型構建
        4.5.2 實驗結果分析
    4.6 本章小結
第五章 總結與展望
    5.1 工作總結
    5.2 工作展望
參考文獻
致謝



本文編號：4008106