目前,隨著科技的飛速發(fā)展,智能家居給人們的居住環(huán)境帶來了很大提升。另外,隨著城市的流動人口急劇增加,傳統(tǒng)的人防安保模式已經(jīng)很難滿足社會安防的需要,因此有必要擁有一套智能家居系統(tǒng)來保障小區(qū)住宅用戶的財產(chǎn)安全以及防止偷盜和搶劫等惡性事件的發(fā)生。隨著WLAN的發(fā)展,基于WLAN通信的智能家居設備也越來越普及,對家居設備的識別與控制可以有效地分析智能家居設備的狀態(tài)以及實現(xiàn)一體化控制智能家居設備,實現(xiàn)不同品牌智能家居的融合,為將來智能家居統(tǒng)一標準積累數(shù)據(jù),因此研究基于智能家居設備的識別與控制是一個很重要的課題。本文主要從智能家居設備的識別、智能家居設備的故障檢測、智能家居設備的控制等三個方面進行研究實現(xiàn),并設計了一個智能家居設備控制系統(tǒng)。本論文主要工作如下:首先,根據(jù)智能家居設備的WLAN數(shù)據(jù)流量特點,對比分析了基于特征值統(tǒng)計的識別方法和基于關(guān)鍵包簽名的識別方法,提出了一種利用端口號識別以及有效負載長度的分布相結(jié)合的識別方法。詳細分析了該方法所采用的數(shù)據(jù)流模型、識別流程、實驗環(huán)境、對比實驗結(jié)果等,結(jié)果證明該識別方法具有較高的查全率與查準率。其次,將識別出來的智能家居設備進一步分析其流量特征,探測... 

【文章來源】：重慶郵電大學重慶市

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

WLAN流量分類與識別方法

該方法采用了一種無監(jiān)督的貝葉斯分類器AutoClass[36]，利用該方流量基于該流量特征可以自動分類，并且使用NetMate[37]工具收集不同互聯(lián)網(wǎng)量并進行跟蹤以此來計算最佳特征值，并確定不同特征的影響，利用該方法進量分類的時間越長，則分類和識別的準確率更高。J. Erman等人[38]在 2007 年提一種web與點對點的網(wǎng)絡核心流量的分類與識別方法，其主要采用了K-Means算用網(wǎng)絡核心的出入口流量類別進行分類和識別流量，同時利用數(shù)據(jù)包平均長度據(jù)包間隔時間等作為特征值，并驗證出該方法的準確率較高。2015 年，A. Mun人[39]對網(wǎng)絡流量分類中的K-means、K-nearest和EM等無監(jiān)督機器學習方法進行能評價，包括分類精度、分類速度和內(nèi)存消耗等。得出K-nearest方法具有更高類精度和更好的內(nèi)存，而K-means方法的處理時間更短。而在現(xiàn)階段的WLA環(huán)境中，根據(jù)其信號強度的大小，其網(wǎng)絡數(shù)據(jù)包總是會出現(xiàn)延遲、亂序、重傳況，很難保證WLAN數(shù)據(jù)包能按照序列號依次到達，因此很難保證利用基于無的機器學習方法進行WLAN流量的準確性、穩(wěn)定性和實用性。

S. K. Murthy[40]提出了有關(guān)決策樹的概述，其中ID3[41]、C4.5[42]等都是決的代表方法。1995 年，C. Cortes等人[43]首次提出了支持向量機的方法，該方法其不要求樣本空間均勻分布，不需要經(jīng)過網(wǎng)絡流量屬性規(guī)則的過濾，因此其具高的分類準確率，并且穩(wěn)定性較高。2013 年，L. Ding等人[44]曾提出一種改進的向量機的的機器學習流量分類和識別方法，該方法通過建立網(wǎng)絡流量中的特征分布區(qū)域來進行流量分類。T. Auld等人[45]提出利用貝葉斯神經(jīng)網(wǎng)絡通過 246 個特征對流量進行分類，其分類方法的準確率遠遠高于樸素貝葉斯方法，該方法了在不同的應用程序類型中實現(xiàn)分類的高精度，且不需要任何源地址、目的主址或端口信息。而遺傳算法則是借鑒了生物進化規(guī)律，該方法可以根據(jù)網(wǎng)絡環(huán)要調(diào)整搜索方式，不限制于固定的規(guī)則。H. R. Tyan等人[46]在 2006 年提出了一于遺傳算法的快速可靠的根據(jù)應用類型對數(shù)據(jù)流量進行分類的方法，并且采用樹進行實驗，最后驗證了該方法具有更高的準確率。由于基于有監(jiān)督的機器學法較多，所以一般情況下，研究者會根據(jù)不同的環(huán)境需要來選擇相應的算法。

【參考文獻】：
期刊論文
[1]蓬勃發(fā)展的Wi-Fi產(chǎn)業(yè)[J]. 趙法彬.  數(shù)字通信世界. 2015(02)
[2]網(wǎng)絡流量分類及其現(xiàn)狀研究[J]. 李斌.  廣西教育. 2013(39)
[3]基于粒子群算法及高斯分布的WSN節(jié)點故障診斷[J]. 余成波,李芮,何強,余磊,譚俊.  振動.測試與診斷. 2013(01)
[4]網(wǎng)絡流量分類與應用識別的研究[J]. 劉穎秋,李巍,李云春.  計算機應用研究. 2008(05)

博士論文
[1]網(wǎng)絡流量分類識別若干技術(shù)研究[D]. 周文剛.電子科技大學 2014

碩士論文
[1]基于行為特征的P2P網(wǎng)絡流量分類方法研究[D]. 王傳磊.西安電子科技大學 2012



本文編號：3256777