【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)管部門共同關(guān)注的熱點之一,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)域需要識別入侵流量;另一方面,進(jìn)行網(wǎng)絡(luò)管理時需要對不同應(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,基于機器學(xué)習(xí)的算法成為網(wǎng)絡(luò)流量分類的研究熱點。針對機器學(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,提取每個流前部相同數(shù)目的數(shù)據(jù)包,每個數(shù)據(jù)包保留前部的相同長度。每個流中數(shù)據(jù)包的序列作為一個維度,每個數(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平臺搭建三維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真,驗證了方法的有效性: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)量與計算量明顯減小。二、針對卷積神經(jīng)網(wǎng)絡(luò)將未知類別強行劃分為已知類造成的差錯,本文對網(wǎng)絡(luò)的類別判斷層進(jìn)行了改進(jìn)。通過仿真實驗,本文驗證了類別判斷錯誤(包括未知類別)時,概率最大的類別對應(yīng)概率值的分布明顯區(qū)分于判斷正確時概率值的分布。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,本文能有效識別未知類別。仿真實驗證明,本文對未知類別的處理使系統(tǒng)分類準(zhǔn)確率提升了 11個百分點。此外,本文對劃分出的未知流量數(shù)據(jù)通過標(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，根據(jù)不同應(yīng)用的流量統(tǒng)計，對逡逑各應(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別和具體流量分類，分別對應(yīng)于上述兩種需求，如圖１－１。本文主要研宄逡逑后者，對混合流量進(jìn)行多分類，為網(wǎng)絡(luò)流量的統(tǒng)計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。來自外界的輸逡逑入為ｘ，？，，各輸入對神經(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，與輸入信號相加構(gòu)成激勵信號，通過激勵逡逑函數(shù)／（？；）產(chǎn)生神經(jīng)元的輸出信號：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)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP393.06;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預(yù)測法[J];金融經(jīng)濟;2017年18期

2 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡單模型[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)大會述評[J];國際學(xué)術(shù)動態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[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;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)會議論文 前10條

1 孫軍田;張U

本文編號：2675392