【摘要】：網(wǎng)絡(luò)流量分類一直是學(xué)術(shù)界、產(chǎn)業(yè)界和網(wǎng)絡(luò)監(jiān)管部門(mén)共同關(guān)注的熱點(diǎn)之一,是指將混合流量分成不同的流量類別,依據(jù)是不同的網(wǎng)絡(luò)應(yīng)用或協(xié)議的特征或參數(shù)。一方面,網(wǎng)絡(luò)安全領(lǐng)域需要識(shí)別入侵流量;另一方面,進(jìn)行網(wǎng)絡(luò)管理時(shí)需要對(duì)不同應(yīng)用的流量分類分析,從而合理控制和分配資源,保證網(wǎng)絡(luò)QoS。隨著網(wǎng)絡(luò)流量的數(shù)據(jù)量和種類的大量增加,傳統(tǒng)分類方法難以滿足要求,基于機(jī)器學(xué)習(xí)的算法成為網(wǎng)絡(luò)流量分類的研究熱點(diǎn)。針對(duì)機(jī)器學(xué)習(xí)特征工程造成的瓶頸,本文研究了以卷積神經(jīng)網(wǎng)絡(luò)為主的深度學(xué)習(xí)算法在網(wǎng)絡(luò)流量分類中的應(yīng)用,主要工作如下:一、為充分利用網(wǎng)絡(luò)流量數(shù)據(jù)的時(shí)間特征,本文將三維卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于網(wǎng)絡(luò)流量分類。將原始網(wǎng)絡(luò)流量按網(wǎng)絡(luò)流進(jìn)行劃分后,提取每個(gè)流前部相同數(shù)目的數(shù)據(jù)包,每個(gè)數(shù)據(jù)包保留前部的相同長(zhǎng)度。每個(gè)流中數(shù)據(jù)包的序列作為一個(gè)維度,每個(gè)數(shù)據(jù)包中的數(shù)據(jù)利用one-hot編碼轉(zhuǎn)換為二維。預(yù)處理后的數(shù)據(jù)相當(dāng)于視頻處理中的多幀灰度圖,構(gòu)成三維卷積神經(jīng)網(wǎng)絡(luò)的輸入。本文采用Tensorflow平臺(tái)搭建三維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真,驗(yàn)證了方法的有效性:與基于二維卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量分類器相比,本文取得了更高的準(zhǔn)確率;與將時(shí)間特征用循環(huán)神經(jīng)網(wǎng)絡(luò)處理的組合分類器相比,本文在保證準(zhǔn)確率的情況下參數(shù)量與計(jì)算量明顯減小。二、針對(duì)卷積神經(jīng)網(wǎng)絡(luò)將未知類別強(qiáng)行劃分為已知類造成的差錯(cuò),本文對(duì)網(wǎng)絡(luò)的類別判斷層進(jìn)行了改進(jìn)。通過(guò)仿真實(shí)驗(yàn),本文驗(yàn)證了類別判斷錯(cuò)誤(包括未知類別)時(shí),概率最大的類別對(duì)應(yīng)概率值的分布明顯區(qū)分于判斷正確時(shí)概率值的分布。根據(jù)以上發(fā)現(xiàn),本文為類別判斷層設(shè)置了動(dòng)態(tài)閾值,在訓(xùn)練發(fā)現(xiàn)的最優(yōu)閾值下,本文能有效識(shí)別未知類別。仿真實(shí)驗(yàn)證明,本文對(duì)未知類別的處理使系統(tǒng)分類準(zhǔn)確率提升了 11個(gè)百分點(diǎn)。此外,本文對(duì)劃分出的未知流量數(shù)據(jù)通過(guò)標(biāo)記后用于系統(tǒng)更新,系統(tǒng)整體的準(zhǔn)確性得到提高。
【圖文】：

網(wǎng)絡(luò)分析與管理提供指導(dǎo)，例如在資源有限時(shí)，根據(jù)不同應(yīng)用的流量統(tǒng)計(jì)，對(duì)逡逑各應(yīng)用進(jìn)行不等的帶寬劃分。因此，網(wǎng)絡(luò)流量分類根據(jù)分類粒度主要分為特殊逡逑流量識(shí)別和具體流量分類，分別對(duì)應(yīng)于上述兩種需求，如圖１－１。本文主要研宄逡逑后者，對(duì)混合流量進(jìn)行多分類，為網(wǎng)絡(luò)流量的統(tǒng)計(jì)分析與管理打下技術(shù)基礎(chǔ)。逡逑１逡逑

深度學(xué)習(xí)逡逑１９５０邋１９６０邋１９７０邋１９８０邐１９９０邋２０００邋２０１０逡逑圖２－１人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)關(guān)系逡逑人工神經(jīng)網(wǎng)絡(luò)（Ａｒｔｉｆｉｃｉａｌ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋｓ，邋ＡＮＮ邋）邋［３９］是深度學(xué)習(xí)研究的起源，逡逑根據(jù)生物學(xué)中的神經(jīng)元結(jié)構(gòu)構(gòu)建人工神經(jīng)元模型，結(jié)構(gòu)如圖２－２。來(lái)自外界的輸逡逑入為ｘ，？，，各輸入對(duì)神經(jīng)元作用的權(quán)值是ｗ，，神經(jīng)元的總輸入是各輸入量的加權(quán)和逡逑ＸＷ，＋邋，纟是神經(jīng)元的偏置，即閾值，與輸入信號(hào)相加構(gòu)成激勵(lì)信號(hào)，通過(guò)激勵(lì)逡逑函數(shù)／（？；）產(chǎn)生神經(jīng)元的輸出信號(hào)：逡逑ｙ＾／ＣＺｗ：ｘｉ＋ｂ）邐（２－１）逡逑９逡逑
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP393.06;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2675392