互聯(lián)網(wǎng)承載著越來越多的業(yè)務應用,其巨大信息流成為社會發(fā)展的強勁動力,但是也給互聯(lián)網(wǎng)管理和安全帶來多項挑戰(zhàn),主要表現(xiàn)為帶寬資源不好管、網(wǎng)絡安全不易控、網(wǎng)絡計費不公平等。目前互聯(lián)網(wǎng)管控方式從基于帶寬和流量的粗曠式方法發(fā)展到基于網(wǎng)絡應用類型的精細化方法。為此,互聯(lián)網(wǎng)流量識別與分類成為網(wǎng)絡研究的一個重要方向,其主要功能是從大量流量中識別出特定應用的IP報文,例如WWW、P2P（Peer-to-Peer）、異常攻擊等,從而為多項網(wǎng)絡管理活動提供決策支持,例如管制P2P流量、保障交互型應用的服務質量和攔截異常流量等�；ヂ�(lián)網(wǎng)流量分類技術隨著網(wǎng)絡應用技術的發(fā)展而不斷演進。基于端口號映射和載荷特征字段匹配的傳統(tǒng)流量分類方法非常成熟,已廣泛應用于實際系統(tǒng)中。但是,因動態(tài)端口號、端口偽裝技術和載荷加密技術等的廣泛應用,這些傳統(tǒng)流量分類方法逐漸失效�；跈C器學習的流量分類方法富有應用前景,吸引了大量研究。但是,此類方法仍然面臨多項挑戰(zhàn),包括類不平衡、概念漂移等,導致小類（例如交互型應用）的分類性能難以得到保障。為此,論文提出一種面向類不平衡和概念漂移的互聯(lián)網(wǎng)流量分類框架,其包括了應對類不平衡和概念漂移問題的子... 

【文章來源】：華南理工大學廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：144 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 互聯(lián)網(wǎng)流量分類面臨的挑戰(zhàn)
    1.3 面向類不平衡和概念漂移的流量分類系統(tǒng)框架
        1.3.1 基準數(shù)據(jù)集構建模塊
        1.3.2 異常流量識別模塊
        1.3.3 分類器訓練模塊
        1.3.4 在線流量分類模塊
    1.4 研究目標和主要貢獻
    1.5 論文組織結構
第二章 互聯(lián)網(wǎng)流量分類技術的研究現(xiàn)狀
    2.1 互聯(lián)網(wǎng)測量技術
    2.2 互聯(lián)網(wǎng)流量分類研究現(xiàn)狀
        2.2.1 基于端口號的流量分類方法
        2.2.2 基于報文載荷的流量分類方法
        2.2.3 基于主機通信行為的流量分類方法
        2.2.4 基于機器學習的流量分類方法
    2.3 互聯(lián)網(wǎng)流量分類若干關鍵問題研究
        2.3.1 類不平衡的相關工作
        2.3.2 概念漂移的相關工作
        2.3.3 異常流量識別相關工作
    2.4 互聯(lián)網(wǎng)流量分類研究組織
        2.4.1 國外研究組織
        2.4.2 國內(nèi)研究組織
    2.5 本章小結
第三章 互聯(lián)網(wǎng)流量的微調(diào)重采樣方法
    3.1 引言
    3.2 互聯(lián)網(wǎng)流量數(shù)據(jù)的類不平衡性
        3.2.1 互聯(lián)網(wǎng)流量數(shù)據(jù)集
        3.2.2 流量數(shù)據(jù)不平衡性
    3.3 微調(diào)重采樣方法
    3.4 互聯(lián)網(wǎng)流量分類實驗結果分析
        3.4.1 分類性能評估指標
        3.4.2 實驗設計
        3.4.3 基本流量分類性能
        3.4.4 流量分類穩(wěn)定性
    3.5 本章小結
第四章 基于數(shù)據(jù)清理的流量分類方法
    4.1 引言
    4.2 相關工作
    4.3 實驗數(shù)據(jù)集與分類性能評估指標
        4.3.1 互聯(lián)網(wǎng)流量數(shù)據(jù)集
        4.3.2 流量分類性能評估指標
    4.4 基于數(shù)據(jù)清理的流量分類方法
        4.4.1 K近鄰算法
        4.4.2 低字節(jié)分類準確率的討論
        4.4.3 IENN方法
    4.5 實驗結果分析
        4.5.1 實驗設計
        4.5.2 基本流量分類性能比較
        4.5.3 在線流量分類場景的分類性能比較
        4.5.4 參數(shù)討論
    4.6 本章小結
第五章 基于單類概念漂移探測的流量分類框架
    5.1 引言
    5.2 互聯(lián)網(wǎng)流量數(shù)據(jù)集及其概念漂移情況
        5.2.1 互聯(lián)網(wǎng)流量數(shù)據(jù)
        5.2.2 流量數(shù)據(jù)集上的概念漂移
    5.3 基于PCDD的互聯(lián)網(wǎng)流量分類框架
        5.3.1 概念漂移探測方法
        5.3.2 樣本緩存控制
        5.3.3 分類器模型
        5.3.4 基于PCDD的流量分類框架
    5.4 互聯(lián)網(wǎng)流量分類實驗結果
        5.4.1 流量分類性能評價指標
        5.4.2 概念漂移探測性能比較
        5.4.3 分類模型更新次數(shù)與訓練集規(guī)模
    5.5 本章小結
第六章 基于信息熵的異常流量識別方法
    6.1 引言
    6.2 基于信息熵的異常流量識別方法
        6.2.1 互聯(lián)網(wǎng)流量數(shù)據(jù)
        6.2.2 互聯(lián)網(wǎng)流量來源分布分析
        6.2.3 信息熵與相對不確定性
        6.2.4 異常流量識別方法框架
        6.2.5 不活躍IP識別算法
        6.2.6 異常流量識別算法
    6.3 IPV4 基準數(shù)據(jù)集上的性能評估
        6.3.1 基準數(shù)據(jù)集建立
        6.3.2 基準數(shù)據(jù)上的不活躍IP分布
        6.3.3 性能評估指標
        6.3.4 異常流量識別方法的參數(shù)與性能分析
        6.3.5 假設檢驗分析
    6.4 NETFLOW數(shù)據(jù)上的實驗分析
        6.4.1 NetFlow流量數(shù)據(jù)
        6.4.2 不活躍IP及惡意源IP分析
        6.4.3 異常流量驗證分析
    6.5 IPV6 數(shù)據(jù)集上的性能分析
    6.6 本章小結
總結與展望
    工作總結
    研究展望
參考文獻
攻讀博士學位期間取得的研究成果
致謝
附件



本文編號：3225533