【摘要】：隨著數(shù)字化時代的到來,網(wǎng)絡(luò)成為許多企業(yè)運(yùn)轉(zhuǎn)時必不可少的因素之一,而由于公網(wǎng)上充滿形形色色的攻擊,因此越來越多的企業(yè)在機(jī)構(gòu)內(nèi)部建立內(nèi)網(wǎng),并設(shè)立專門的網(wǎng)絡(luò)維護(hù)人員以保證內(nèi)網(wǎng)使用時的有效性和穩(wěn)定性。但這些措施對于內(nèi)部員工在工作時間產(chǎn)生非工作流量時無法起到任何監(jiān)督作用,并且當(dāng)局域網(wǎng)中網(wǎng)絡(luò)流量激增或出現(xiàn)攻擊現(xiàn)象時,也無法及時查出被攻擊的主機(jī)以及攻擊源頭。因此,對于網(wǎng)絡(luò)管理的策略升級,網(wǎng)絡(luò)管理人員往往處于一種滯后被動的狀態(tài)。針對上述問題,本文設(shè)計(jì)了一個基于流的網(wǎng)絡(luò)用戶行為檢查系統(tǒng)。用戶的上網(wǎng)行為可以通過一段時間內(nèi)用戶使用的應(yīng)用種類,應(yīng)用流量數(shù),應(yīng)用使用時長等多方面因素進(jìn)行分析和判斷。因此通過采集和解析當(dāng)前局域網(wǎng)內(nèi)的流量數(shù)據(jù),并使用神經(jīng)網(wǎng)絡(luò)判斷該流量所屬的應(yīng)用類別,從而歸納出每一個用戶的上網(wǎng)行為。通過該網(wǎng)絡(luò)用戶行為檢查系統(tǒng),網(wǎng)絡(luò)管理員能夠及時準(zhǔn)確地了解當(dāng)前局域網(wǎng)內(nèi)流量的變化情況。本文的主要工作如下:(1)使用tornado框架實(shí)現(xiàn)一個多采集點(diǎn),B/S結(jié)構(gòu)的基于流的準(zhǔn)實(shí)時網(wǎng)絡(luò)用戶行為檢查系統(tǒng)。宏觀處,該系統(tǒng)通過監(jiān)控整個局域網(wǎng)內(nèi)的流量數(shù)據(jù),能夠查看整個局域網(wǎng)中主機(jī)的拓?fù)浣Y(jié)構(gòu),各類應(yīng)用的吞吐量,告警數(shù)據(jù)等綜合信息。微觀處,對于指定的主機(jī),能夠詳細(xì)查看當(dāng)前主機(jī)上的應(yīng)用流量的運(yùn)行情況,并且根據(jù)主機(jī)產(chǎn)生的流量,對主機(jī)進(jìn)行行為歸類。通過Socket通信,使得多個采集點(diǎn)間的數(shù)據(jù)能夠連通,網(wǎng)絡(luò)管理員可在一臺機(jī)器上看到多個采集點(diǎn)的網(wǎng)絡(luò)情況。(2)使用深度學(xué)習(xí)算法解決流量分類問題。對于傳統(tǒng)的流量識別方法,僅通過流量包頭攜帶的通信協(xié)議和通信端口直接判斷流量屬于的應(yīng)用類別,沒有挖掘出特定應(yīng)用與其流量的特征信息間的對應(yīng)關(guān)系,分類精度較低。而傳統(tǒng)機(jī)器學(xué)習(xí)分類方法只能離線學(xué)習(xí)數(shù)據(jù)特征,對于新補(bǔ)充的數(shù)據(jù)必須重新執(zhí)行一次特征學(xué)習(xí)過程,效率較低。而本文分別構(gòu)建了全連接神經(jīng)網(wǎng)絡(luò)和全卷積神經(jīng)網(wǎng)絡(luò),對用戶流量進(jìn)行應(yīng)用類別分類。兩種神經(jīng)網(wǎng)絡(luò)均在數(shù)據(jù)集上達(dá)到了近99%的分類精度,同時分類速度接近10000條/秒,能夠運(yùn)用于網(wǎng)絡(luò)用戶行為檢查系統(tǒng)中。
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP393.08;TP311.52
【圖文】：

電子科技大學(xué)碩士學(xué)位論文的發(fā)展有著密切的聯(lián)系。娛樂類，如游戲，視頻網(wǎng)站，大文件下載等，這些網(wǎng)絡(luò)行為不僅給工作環(huán)境帶來了惡劣的印象，同時占據(jù)了公司的帶寬資源，但不會嚴(yán)重影響公司的正常業(yè)務(wù)開展。攻擊類，如 DDos，蠕蟲，端口掃描等，這些網(wǎng)絡(luò)行為對公司的生產(chǎn)環(huán)境造成了破壞，需要加以阻止和追責(zé)。2.2 網(wǎng)絡(luò)流量2.2.1 OSI 七層模型網(wǎng)絡(luò)中的流量是由用戶程序產(chǎn)生的數(shù)據(jù)以及各層協(xié)議加封的協(xié)議頭組成，因此了解應(yīng)用數(shù)據(jù)的封裝過程是必要的。計(jì)算機(jī)網(wǎng)絡(luò)數(shù)據(jù)間的通信遵循 OSI[11]（OpeSystem Interconnection）參考模型，總共分為 7 層，自頂向下為從應(yīng)用層到物理層，詳細(xì)結(jié)構(gòu)與層級功能如圖 2-1 所示。

而無監(jiān)督學(xué)習(xí)則是往往是對數(shù)據(jù)進(jìn)行回歸或者近原始數(shù)據(jù)集的數(shù)學(xué)分布等。度學(xué)習(xí)被廣泛運(yùn)用到各個學(xué)術(shù)領(lǐng)域中，特別是人工確特征的領(lǐng)域中，如圖像分類[19-21]，語義分割[22據(jù)仿真[30]，風(fēng)格遷移[31,32]，任務(wù)決策[33-36]等。在這傳統(tǒng)機(jī)器學(xué)習(xí)算法的能力，并且在某些領(lǐng)域中，超基本組件絡(luò)的設(shè)計(jì)一定程度上模仿了人類大腦中神經(jīng)元的作為信息接收器捕捉外界信息，并產(chǎn)生相應(yīng)的化腦再根據(jù)這些信號進(jìn)行處理，并作出相應(yīng)決策。同對神經(jīng)系統(tǒng)結(jié)構(gòu)進(jìn)行模擬，以解決一些難以劃定邊基本單元為人工神經(jīng)元模型，由輸入，權(quán)重以及神示。

后一層是長度為 10 的全連接層，表示 0-9 這 10 個數(shù)字的類別概率。2.4.2.2 卷積層卷積層實(shí)際上是全連接層的某種特殊版本。由于全連接層之間神經(jīng)元為全連接狀態(tài)，因此參數(shù)量和計(jì)算量極大。假設(shè)輸入的向量長度為m，輸出的向量長度為n，那么模型的參數(shù)量為 × ，計(jì)算復(fù)雜度為O(m × n)。是對于數(shù)據(jù)位置臨近程度決定相關(guān)性的數(shù)據(jù)，如圖片數(shù)據(jù)。距離較遠(yuǎn)的像素之間的關(guān)聯(lián)很弱。那么在全連接層中，這樣的數(shù)據(jù)連接的權(quán)重值接近于 0。這樣導(dǎo)致全連接層的權(quán)重矩陣中大部分均為接近 0 的權(quán)值，導(dǎo)致權(quán)重矩陣極為稀疏。因此可以通過限制連接數(shù)和限制連接方式來改善這一情況。卷積層則是一種具有稀疏連接和參數(shù)共享的全連接層。稀疏連接表示，對于輸出的每一個神經(jīng)元，不再于輸入的所有神經(jīng)元相連，而是僅與其中一小部分相連。假設(shè)每一個輸出神經(jīng)元僅與k個輸入神經(jīng)元相連，那么模型參數(shù)量下降到 × ，計(jì)算復(fù)雜度為O(k× n)。通過這種方式，可以比較高效的檢測一些有意義的局部特征，比如物體邊緣。一般k m，因此降低的參數(shù)量和計(jì)算量是幾個數(shù)量級程度的。結(jié)構(gòu)對比如圖 2-3 所示。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張騰;何豐;陳新德;趙小龍;;個性化推薦中標(biāo)簽系統(tǒng)的建設(shè)[J];福建電腦;2018年07期

2 王小菁;;淺談用戶畫像的創(chuàng)生與應(yīng)用[J];現(xiàn)代交際;2018年14期

3 盧艷蘭;;大數(shù)據(jù)背景下圖書館用戶行為特征研究[J];大眾科技;2018年10期

4 邵云蛟;占曉云;吳屏;;互聯(lián)網(wǎng)用戶行為的分析方法探討[J];數(shù)字技術(shù)與應(yīng)用;2016年11期

5 段婷婷;高仲合;郭文健;;基于用戶行為的實(shí)時影響力算法[J];電子技術(shù);2016年12期

6 吳清強(qiáng);鮑彬彬;;用戶行為可靠性評價(jià)綜合框架[J];數(shù)字圖書館論壇;2017年05期

7 武笑宇;辛向陽;;勸導(dǎo)用戶行為改變的游戲化設(shè)計(jì)應(yīng)用[J];包裝工程;2017年20期

8 李良;田立勤;李君建;;云計(jì)算環(huán)境下用戶行為的認(rèn)證與預(yù)測[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2016年06期

9 林宏鴻;;基于用戶行為體驗(yàn)的自平衡車設(shè)計(jì)淺析[J];藝術(shù)品鑒;2017年04期

10 ;大數(shù)據(jù)與創(chuàng)業(yè)[J];大眾科學(xué);2017年04期

相關(guān)會議論文 前10條

1 武小年;周勝源;;數(shù)據(jù)挖掘在用戶行為可信研究中的應(yīng)用[A];第十一屆保密通信與信息安全現(xiàn)狀研討會論文集[C];2009年

2 樊旺斌;劉正捷;陳東;張海昕;;博客服務(wù)系統(tǒng)用戶行為研究——用戶訪談[A];第二屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議(HHME2006)——第2屆中國人機(jī)交互學(xué)術(shù)會議(CHCI'06)論文集[C];2006年

3 張婉君;;新媒體用戶行為模式分析[A];中國新聞技術(shù)工作者聯(lián)合會2017年學(xué)術(shù)年會論文集（優(yōu)秀論文篇）[C];2017年

4 李海宏;翟靜;唐常杰;李智;;基于用戶行為挖掘的個性化Web瀏覽器原型[A];第十九屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報(bào)告篇）[C];2002年

5 宋國峰;梁昌勇;;一種基于用戶行為信任的云安全訪問控制模型[A];第十五屆中國管理科學(xué)學(xué)術(shù)年會論文集（下）[C];2013年

6 石波;王紅艷;郭旭東;;基于業(yè)務(wù)白名單的異常違規(guī)行為監(jiān)測研究[A];第30次全國計(jì)算機(jī)安全學(xué)術(shù)交流會論文集[C];2015年

7 孫涵亮;陸偉;朱雯卿;;互動電視收集用戶行為信息研究[A];中國新聞技術(shù)工作者聯(lián)合會第六次會員代表大會、2014年學(xué)術(shù)年會暨第七屆《王選新聞科學(xué)技術(shù)獎》和優(yōu)秀論文獎頒獎大會論文集（二等獎）[C];2014年

8 ;中國度假租賃用戶研究報(bào)告[A];艾瑞咨詢系列研究報(bào)告（2015年第2期）[C];2015年

9 王姣;李龍;戴均開;周潔;;基于用戶行為與態(tài)度的體驗(yàn)評估——用戶體驗(yàn)質(zhì)量度量模型[A];User Friendly 2014暨UXPA中國第十一屆用戶體驗(yàn)行業(yè)年會論文集[C];2014年

10 ;中國無人零售用戶行為研究報(bào)告 2017年[A];艾瑞咨詢系列研究報(bào)告（2017年第9期）[C];2017年

相關(guān)重要報(bào)紙文章 前10條

1 本報(bào)記者 郜曉文;注意力革命：新媒體用戶行為解讀[N];人民政協(xié)報(bào);2016年

2 張偉;在用戶行為中尋找靈感[N];中華合作時報(bào);2014年

3 ;危險(xiǎn)的用戶行為讓網(wǎng)絡(luò)面臨風(fēng)險(xiǎn)[N];網(wǎng)絡(luò)世界;2007年

4 群邑中國互動營銷總裁 MMA中國無線營銷聯(lián)盟聯(lián)席主席 陳建豪;移動互聯(lián)催生用戶行為變化[N];第一財(cái)經(jīng)日報(bào);2013年

5 ;用戶行為是業(yè)務(wù)創(chuàng)新之源[N];人民郵電;2007年

6 本報(bào)記者 姜天驕;行為不可信 系統(tǒng)即阻斷[N];經(jīng)濟(jì)日報(bào);2018年

7 華為技術(shù)有限公司 雷文靜;CDMA網(wǎng)絡(luò)三步邁向智能化[N];通信產(chǎn)業(yè)報(bào);2011年

8 王興佳;規(guī)范用戶行為確保校園網(wǎng)通暢[N];中國教育報(bào);2008年

9 復(fù)旦大學(xué)網(wǎng)絡(luò)空間治理研究中心主任 沈逸;“推特臉書刪號”顯網(wǎng)絡(luò)博弈之難[N];環(huán)球時報(bào);2019年

10 通文;3G應(yīng)用并非革命性業(yè)務(wù)[N];通信產(chǎn)業(yè)報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 田野;基于屬性加密的隱私保護(hù)與用戶行為信任研究[D];太原理工大學(xué);2018年

2 陳亞睿;云計(jì)算環(huán)境下用戶行為認(rèn)證與安全控制研究[D];北京科技大學(xué);2012年

3 郭U

本文編號：2778063