在互聯(lián)網(wǎng)高速發(fā)展的今天，伴隨著P2P下載和P2P流媒體技術(shù)的出現(xiàn)，各類新興的網(wǎng)絡應用如雨后春筍般涌現(xiàn)。網(wǎng)絡負載的急劇增加使得傳統(tǒng)的服務提供商逐漸認識到互聯(lián)網(wǎng)形勢的嚴峻。如何在高速大流量網(wǎng)絡帶寬中迅速有效地識別各類網(wǎng)絡應用，并高效的將識別結(jié)果反饋到實際的網(wǎng)絡控制中去，從而更好的為網(wǎng)絡流量的管理和控制做貢獻已經(jīng)逐漸成為流量檢測領(lǐng)域亟待解決的問題。針對此種現(xiàn)狀，論文工作主要從下述幾個方面展開：在以流特征作為網(wǎng)絡流量分類的特征選擇前提下，提出了一種高效的流特征向量的選擇方法，該方法不僅覆蓋到傳統(tǒng)的網(wǎng)絡應用，而且刻意添加了針對P2P流媒體具有較高區(qū)分度的流特征向量，使得特征向量的選擇更全面，更有區(qū)分性。針對Kmeans、KNN等傳統(tǒng)無監(jiān)督機器學習方法存在的不足，使用粒子群的優(yōu)化技術(shù)對它們進行優(yōu)化。且針對有監(jiān)督學習時標記樣本特征所難以避免表現(xiàn)出的費時費力的問題，引入了半監(jiān)督的機器學習理念，并最終設(shè)計并實現(xiàn)了基于粒子群優(yōu)化半監(jiān)督學習的網(wǎng)絡流量分類系統(tǒng)。該分類系統(tǒng)具體細分為實時流量分類和離線流量分類兩個方向。其中實時系統(tǒng)主要負責對在線網(wǎng)絡流量的實時監(jiān)控，此系統(tǒng)設(shè)計對實時性要求較高，因此在系統(tǒng)實現(xiàn)過程中... 

【文章來源】：華中科技大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

種常見應用各層流樣本數(shù)統(tǒng)計圖;

種常見應用各層流樣本數(shù)統(tǒng)計圖

實時分類結(jié)果圖

【參考文獻】：
期刊論文
[1]簡化的粒子群優(yōu)化快速KNN分類算法[J]. 李歡,焦建民.  計算機工程與應用. 2008(32)
[2]基于粒子群優(yōu)化的快速KNN分類算法[J]. 張國英,沙蕓,江慧娜.  山東大學學報(理學版). 2006(03)
[3]基于粒子群的K均值聚類算法[J]. 劉靖明,韓麗川,侯立文.  系統(tǒng)工程理論與實踐. 2005(06)

博士論文
[1]P2P流媒體識別方法的研究[D]. 周麗娟.華中科技大學 2008
[2]P2P流的測量與識別方法研究[D]. 柳斌.華中科技大學 2008



本文編號：3386473