應(yīng)用層協(xié)議識(shí)別是指從承載應(yīng)用層協(xié)議數(shù)據(jù)的網(wǎng)絡(luò)流量中提取出可以標(biāo)識(shí)應(yīng)用層協(xié)議的關(guān)鍵特征,并以這些關(guān)鍵特征為基礎(chǔ),將同種類(lèi)型的應(yīng)用層協(xié)議數(shù)據(jù)劃分在一起。針對(duì)現(xiàn)有網(wǎng)絡(luò)流量識(shí)別方法對(duì)未知應(yīng)用層協(xié)議識(shí)別率低的問(wèn)題,提出了一種自適應(yīng)聚類(lèi)的未知應(yīng)用層協(xié)議識(shí)別方法。該方法以傳統(tǒng)的AGNES層次聚類(lèi)算法為基礎(chǔ),依據(jù)網(wǎng)絡(luò)流應(yīng)用層協(xié)議數(shù)據(jù)的負(fù)載特征,基于相似度對(duì)應(yīng)用層協(xié)議進(jìn)行聚類(lèi)。方法將聚類(lèi)算法中相似度計(jì)算劃分為聚類(lèi)前應(yīng)用層協(xié)議數(shù)據(jù)間的相似度計(jì)算和聚類(lèi)中簇間的相似度計(jì)算兩部分,避免了重復(fù)性地計(jì)算應(yīng)用層協(xié)議數(shù)據(jù)間的相似度,提升了算法的聚類(lèi)效率。實(shí)驗(yàn)結(jié)果表明所提出的方法能夠高效準(zhǔn)確地對(duì)未知協(xié)議的網(wǎng)絡(luò)流量進(jìn)行識(shí)別。 

【文章來(lái)源】：計(jì)算機(jī)工程與應(yīng)用. 2020,56(05)北大核心

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

聚類(lèi)循環(huán)過(guò)程的示例

(3）未知應(yīng)用層協(xié)議聚類(lèi)：對(duì)應(yīng)用層協(xié)議數(shù)據(jù)進(jìn)行簇初始化，通過(guò)簇間相似度算法計(jì)算獲得簇間相似度，利用改進(jìn)的聚類(lèi)算法迭代反復(fù)，直至達(dá)到聚類(lèi)停止條件，將同種應(yīng)用層協(xié)議數(shù)據(jù)聚集在一個(gè)簇中，最后輸出簇集合，集合中每一個(gè)簇即為一種應(yīng)用層協(xié)議所對(duì)應(yīng)的網(wǎng)絡(luò)流信息的集合。3.2 數(shù)據(jù)預(yù)處理

應(yīng)用層協(xié)議間相似度計(jì)算流程

【參考文獻(xiàn)】：
期刊論文
[1]A Novel Deep Learning Method for Application Identification in Wireless Network[J]. Jie Ren,Zulin Wang.  中國(guó)通信. 2018(10)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量分類(lèi)方法[J]. 王勇,周慧怡,俸皓,葉苗,柯文龍.  通信學(xué)報(bào). 2018(01)
[3]網(wǎng)絡(luò)流量分類(lèi)方法研究[J]. 鎮(zhèn)佳,朱國(guó)勝.  信息通信. 2017(08)
[4]一種基于集成學(xué)習(xí)的流量分類(lèi)算法[J]. 李林林,張效義,張霞,李青.  信息工程大學(xué)學(xué)報(bào). 2015(02)
[5]基于譜聚類(lèi)的網(wǎng)絡(luò)流量分類(lèi)識(shí)別算法[J]. 周文剛,陳雷霆,董仕.  電子測(cè)量與儀器學(xué)報(bào). 2013(12)
[6]基于自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量識(shí)別算法[J]. 譚駿,陳興蜀,杜敏,朱鍇.  電子科技大學(xué)學(xué)報(bào). 2012(04)



本文編號(hào)：3006173