發(fā)布時間：2018-06-07 18:33

  本文選題：深度數(shù)據(jù)流檢測 + 機器學習��； 參考：《北京郵電大學》2017年碩士論文

【摘要】：隨著計算機和互聯(lián)網(wǎng)技術發(fā)展日新月異,在信息時代的今天,人們每時每刻都離不開網(wǎng)絡,網(wǎng)絡上的應用越來越多樣化,其中也充斥著很多無用的應用占據(jù)了大量的網(wǎng)絡帶寬,針對網(wǎng)絡應用業(yè)務識別技術飛速發(fā)展。目前,基于深度數(shù)據(jù)包檢測的業(yè)務識別技術相對來說較為成熟,但是通信協(xié)議的復雜化和越來越多的加密業(yè)務,使得基于深度數(shù)據(jù)流檢測的業(yè)務識別技術成為現(xiàn)在發(fā)展的一個熱點�；谏疃葦�(shù)據(jù)流檢測技術現(xiàn)階段主要還處于研究階段。本文針對多種類型的業(yè)務特征進行理論分析,并利用機器學習算法進行相關的訓練學習,最后仿真建模進行驗證可行性。本文的主要工作如下:(1)根據(jù)數(shù)據(jù)流量分析流量可能存在的可利用數(shù)據(jù)特征,針對數(shù)據(jù)流特征的分布規(guī)律,選取適合建模的數(shù)據(jù)流特征進行建模。若數(shù)據(jù)流特征向量可進行中心聚類,則選取K-mean算法進行聚類,并根據(jù)前人的研究結果,利用粗糙模糊K-mean聚類算法對聚類過程進行優(yōu)化,以提高聚類的效率和準確率。對于聚類無效的樣本點,本文進行二次聚類以提高聚類的準確率,同時進行建模仿真,以確定聚類的準確率有所提高。(2)針對無法中心聚類的小樣本業(yè)務特征向量,本文擬采用支持向量機對其進行聚類研究,在計算最有超平面過程中,本文擬采用遺傳算法計算求得最有超平面,通過仿真,證實遺傳算法相對于純粹的數(shù)學計算存在著特有的優(yōu)勢。(3)對于其他不存在明顯分布的業(yè)務特征樣本,本文從理論上分析,可采用GMM算法和神經(jīng)網(wǎng)絡算法進行分類,在基于神經(jīng)網(wǎng)絡的聚類過程中,可使用遺傳算法來優(yōu)化神經(jīng)網(wǎng)絡,避免陷入局部最優(yōu),取得了較理想了效果。
[Abstract]:With the rapid development of computer and Internet technology, in the information age today, people can not do without the network every moment, the network applications are more and more diversified, and many useless applications occupy a large amount of network bandwidth. Aiming at the rapid development of network application service identification technology. At present, the technology of service identification based on deep packet detection is relatively mature, but the complexity of communication protocols and more encryption services, The technology of service identification based on deep data stream detection has become a hot spot. The detection technology based on deep data flow is still in the research stage. In this paper, various types of business characteristics are analyzed theoretically, and the machine learning algorithm is used for training learning. Finally, simulation modeling is used to verify the feasibility. The main work of this paper is as follows: (1) according to the data flow analysis of the available data characteristics of traffic, according to the distribution of data flow characteristics, the suitable data flow characteristics are selected to model. If the feature vectors of data flow can be clustered in the center, K-mean algorithm is selected to cluster. According to the previous research results, rough fuzzy K-mean clustering algorithm is used to optimize the clustering process in order to improve the efficiency and accuracy of clustering. For the invalid sample points, this paper carries out quadratic clustering to improve the clustering accuracy, and modeling and simulation to determine that the clustering accuracy has been improved. 2) for the small sample business feature vector which can not be clustered centrally, In this paper, support vector machine (SVM) is used to cluster it. In the process of calculating the most hyperplane, the genetic algorithm is used to calculate the most hyperplane. It is proved that genetic algorithm has a special advantage over pure mathematical computation. For other business feature samples that do not have obvious distribution, this paper theoretically analyses that GMM algorithm and neural network algorithm can be used to classify. In the clustering process based on neural network, genetic algorithm can be used to optimize the neural network to avoid falling into local optimum, and the results are satisfactory.
【學位授予單位】：北京郵電大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP18;TP393.0

【相似文獻】

相關期刊論文 前10條

1 楊曉帥 ,付玫;神經(jīng)網(wǎng)絡技術讓管理更輕松[J];軟件世界;2000年11期

2 云中客;新的神經(jīng)網(wǎng)絡來自于仿生學[J];物理;2001年10期

3 唐春明,高協(xié)平;進化神經(jīng)網(wǎng)絡的研究進展[J];系統(tǒng)工程與電子技術;2001年10期

4 李智;一種基于神經(jīng)網(wǎng)絡的煤炭調運優(yōu)化方法[J];長沙鐵道學院學報;2003年02期

5 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡及其應用研究[J];計算機工程與應用;2004年21期

6 王凡,孟立凡;關于使用神經(jīng)網(wǎng)絡推定操作者疲勞的研究[J];人類工效學;2004年03期

7 周麗暉;從統(tǒng)計角度看神經(jīng)網(wǎng)絡[J];統(tǒng)計教育;2005年06期

8 趙奇 ,劉開第 ,龐彥軍;灰色補償神經(jīng)網(wǎng)絡及其應用研究[J];微計算機信息;2005年14期

9 袁婷;;神經(jīng)網(wǎng)絡在股票市場預測中的應用[J];軟件導刊;2006年05期

10 尚晉;楊有;;從神經(jīng)網(wǎng)絡的過去談科學發(fā)展觀[J];重慶三峽學院學報;2006年03期

相關會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡的混沌性[A];1996中國控制與決策學術年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡的新機遇——紀念中國神經(jīng)網(wǎng)絡10周年[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

6 許進;保錚;;神經(jīng)網(wǎng)絡與圖論[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預報產(chǎn)品的神經(jīng)網(wǎng)絡釋用預報應用[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡在中學生創(chuàng)造力評估中的應用[A];第十二屆全國心理學學術大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的故障診斷方法研究[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

相關重要報紙文章 前8條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經(jīng)網(wǎng)絡硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經(jīng)網(wǎng)絡挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經(jīng)網(wǎng)絡[N];健康時報;2006年

8 劉力;我半導體神經(jīng)網(wǎng)絡技術及應用研究達國際先進水平[N];中國電子報;2001年

相關博士學位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡及其在控制中的應用研究[D];浙江大學;2004年

2 李素芳;基于神經(jīng)網(wǎng)絡的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡的混沌性及幾類時滯神經(jīng)網(wǎng)絡的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經(jīng)網(wǎng)絡的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農業(yè)大學;2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復雜網(wǎng)絡幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡并行實現(xiàn)及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關鍵技術研究[D];東南大學;2015年

相關碩士學位論文 前10條

1 張成壯;基于深度數(shù)據(jù)流檢測的業(yè)務識別[D];北京郵電大學;2017年

2 譚越;基于同步的數(shù)據(jù)流分層壓縮研究[D];電子科技大學;2017年

3 徐樹良;面向動態(tài)數(shù)據(jù)流的分類方法研究[D];山西大學;2017年

4 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡與高校效益預測的研究[D];華南理工大學;2015年

5 賈文靜;基于改進型神經(jīng)網(wǎng)絡的風力發(fā)電系統(tǒng)預測及控制研究[D];燕山大學;2015年

6 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學;2015年

7 陳彥至;神經(jīng)網(wǎng)絡降維算法研究與應用[D];華南理工大學;2015年

8 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡研究[D];西南大學;2015年

9 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡的遙感圖像分類研究[D];昆明理工大學;2015年

10 李志杰;基于神經(jīng)網(wǎng)絡的上證指數(shù)預測研究[D];華南理工大學;2015年

，

本文編號：1992306