本文關(guān)鍵詞：基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流量識別技術(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：當(dāng)今網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大,網(wǎng)絡(luò)流量爆發(fā)式增長,網(wǎng)絡(luò)威脅也同步增長。識別網(wǎng)絡(luò)流量在一定程度上可以解決問題。網(wǎng)絡(luò)流量識別可以區(qū)分正常流量和威脅,以此防御攻擊。然而,網(wǎng)絡(luò)流量識別不僅要分析海量數(shù)據(jù),還要在不影響網(wǎng)絡(luò)性能的前提下實現(xiàn)實時監(jiān)控,對運算時間和運算空間的要求很高。如何在海量網(wǎng)絡(luò)流量中快速準(zhǔn)確地識別出不良行為是本論文主要研究的問題。面對日益復(fù)雜的互聯(lián)網(wǎng)態(tài)勢,本論文從機(jī)器學(xué)習(xí)方法入手,嘗試進(jìn)行網(wǎng)絡(luò)流量識別,在網(wǎng)絡(luò)流量特征提取時的特征選擇上和為使識別算法更快更準(zhǔn)確的參數(shù)選擇上做了相關(guān)研究。本論文的主要研究有:基于共識決策的特征選擇算法:本論文針對在網(wǎng)絡(luò)流量識別中表示流量的特征過多易導(dǎo)致系統(tǒng)分類效率降低,泛化能力下降的問題,結(jié)合已有的特征選擇算法,提出一種基于共識決策法的特征選擇算法。該算法不僅提供了比較完善的特征集,還研究了不同數(shù)量的特征對分類結(jié)果的影響,以滿足根據(jù)實際情況而選擇不同特征數(shù)量的需求。仿真結(jié)果表明,特征選擇提高了系統(tǒng)的檢測效率,降低了運算復(fù)雜性�；诟倪M(jìn)人工蜂群算法的參數(shù)尋優(yōu)方法,并將之應(yīng)用于支持向量機(jī)的參數(shù)尋優(yōu):支持向量機(jī)算法是對樣本數(shù)據(jù)進(jìn)行預(yù)測和分類問題的一種有效方法,在網(wǎng)絡(luò)行為分類領(lǐng)域得到廣泛應(yīng)用。算法參數(shù)(主要是懲罰因子C和核函數(shù)參數(shù)g)對分類準(zhǔn)確率影響很大。人工蜂群算法是近年來參數(shù)尋優(yōu)領(lǐng)域新出現(xiàn)的一種全局隨機(jī)搜索方法,具有計算簡單、參數(shù)設(shè)置少的優(yōu)點。對于標(biāo)準(zhǔn)人工蜂群算法用于支持向量機(jī)的參數(shù)尋優(yōu)容易達(dá)成局部最優(yōu)解,難以靠近全局最優(yōu),最終的收斂精度較低,計算時間較長的問題,本論文在原有搜索策略的基礎(chǔ)上進(jìn)行了修改,提出一種表現(xiàn)更好的人工蜂群算法。該算法在雇傭蜂與跟隨蜂更新蜜源時,采用基于當(dāng)前最優(yōu)解的局部搜索策略,以提高蜜蜂的局部搜索能力,加快收斂速度并獲得更高的精度;引入混沌序列使產(chǎn)生的蜜源分布更均勻,防止陷入局部最優(yōu)。仿真結(jié)果表明,改進(jìn)的人工蜂群算法在搜索速度和精度上均優(yōu)于同類算法。最后本論文在Mathlab環(huán)境下結(jié)合上述改進(jìn)在KDDCUP99入侵檢測數(shù)據(jù)集上進(jìn)行了識別實驗。實驗結(jié)果顯示,該方法在保障準(zhǔn)確性的前提下能夠獲得更高的識別效率。
【關(guān)鍵詞】：機(jī)器學(xué)習(xí) 網(wǎng)絡(luò)流量識別 共識決策 特征選擇 人工蜂群
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP181;TP393.06
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-13
• 1.1 課題背景及研究意義8-9
• 1.2 國內(nèi)外的研究現(xiàn)狀9-11
• 1.2.1 網(wǎng)絡(luò)流量識別研究現(xiàn)狀9-10
• 1.2.2 發(fā)展趨勢和面臨問題10-11
• 1.3 本文主要研究內(nèi)容11
• 1.4 本文組織結(jié)構(gòu)11-13
• 第二章 網(wǎng)絡(luò)流量識別技術(shù)13-20
• 2.1 網(wǎng)絡(luò)流量識別簡介13-14
• 2.2 特征選擇算法14-16
• 2.3 SVM分類識別算法16-19
• 2.4 本章小結(jié)19-20
• 第三章 基于共識決策的特征選擇算法20-32
• 3.1 共識決策算法的原理和流程20-23
• 3.1.1 共識決策的原理20-21
• 3.1.2 共識決策的流程21-23
• 3.2 實驗數(shù)據(jù)集23-26
• 3.2.1 實驗數(shù)據(jù)KDDCUP99 數(shù)據(jù)集23-24
• 3.2.2 特征及選取24-26
• 3.3 基于共識決策的特征選擇實驗和結(jié)果分析26-31
• 3.3.1 數(shù)據(jù)預(yù)處理26-28
• 3.3.2 基于共識決策特征提取的流程及對比實驗設(shè)計28
• 3.3.3 幾種原始特征選擇算法的比較28-29
• 3.3.4 原始特征選擇算法與共識決策特征提取的比較29-30
• 3.3.5 特征的數(shù)量對識別結(jié)果的影響30-31
• 3.4 本章小結(jié)31-32
• 第四章 基于改進(jìn)人工蜂群參數(shù)尋優(yōu)的網(wǎng)絡(luò)流量分類32-44
• 4.1 人工蜂群參數(shù)尋優(yōu)的原理和改進(jìn)33-38
• 4.1.1 人工蜂群來源33
• 4.1.2 人工蜂群算法基本原理33-36
• 4.1.3 基于當(dāng)前最優(yōu)解和混沌序列的改進(jìn)人工蜂群36-37
• 4.1.4 算法流程37-38
• 4.2 改進(jìn)人工蜂群的實驗38-42
• 4.2.1 實驗測試函數(shù)和對比算法38
• 4.2.2 實驗結(jié)果和分析38-41
• 4.2.3 算法的時間復(fù)雜度分析41-42
• 4.3 改進(jìn)人工蜂群優(yōu)化SVM參數(shù)的網(wǎng)絡(luò)流量分類42
• 4.4 本章小結(jié)42-44
• 第五章 基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流量識別實驗44-48
• 5.1 實驗環(huán)境44
• 5.2 實驗流程44-46
• 5.3 特征選擇和參數(shù)尋優(yōu)共同優(yōu)化的網(wǎng)絡(luò)流量識別實驗結(jié)果與分析46-47
• 5.4 本章小結(jié)47-48
• 主要結(jié)論與展望48-49
• 致謝49-50
• 參考文獻(xiàn)50-53
• 附錄：作者在攻讀碩士學(xué)位之間發(fā)表的論文53

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 于明;艾月喬;;基于人工蜂群算法的支持向量機(jī)參數(shù)優(yōu)化及應(yīng)用[J];光電子.激光;2012年02期

2 陳武;梁剛;楊進(jìn);;一種改進(jìn)的SVM算法在入侵檢測中的應(yīng)用[J];計算機(jī)安全;2013年06期

3 張玉欣;程志峰;徐正平;白晶;;參數(shù)尋優(yōu)支持向量機(jī)在基于光聲光譜法的變壓器故障診斷中的應(yīng)用[J];光譜學(xué)與光譜分析;2015年01期

4 田俊峰;黃紅艷;常新峰;;特征選擇的輕量級入侵檢測系統(tǒng)[J];計算機(jī)工程與應(yīng)用;2009年04期

5 王慶林;;支持共識決策過程的群排序集結(jié)[J];計算機(jī)工程與應(yīng)用;2011年29期

6 銀建霞;孟紅云;;具有混沌差分進(jìn)化搜索的人工蜂群算法[J];計算機(jī)工程與應(yīng)用;2011年29期

7 陳亮;龔儉;徐選;;應(yīng)用層協(xié)議識別算法綜述[J];計算機(jī)科學(xué);2007年07期

8 張莉,孫鋼,郭軍;入侵檢測系統(tǒng)中有監(jiān)督學(xué)習(xí)的特征選擇方法[J];計算機(jī)工程;2005年13期

9 高宏賓;彭商濂;焦東升;;基于塊和分解的改進(jìn)的支持向量機(jī)算法[J];計算技術(shù)與自動化;2005年04期

10 熊才權(quán);李德華;;綜合集成研討廳共識達(dá)成模型及其實現(xiàn)[J];計算機(jī)集成制造系統(tǒng);2008年10期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國第十五屆計算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會議論文集[C];2003年

2 蘇毅;吳文虎;鄭方;方棣棠;;基于支持向量機(jī)的語音識別研究[A];第六屆全國人機(jī)語音通訊學(xué)術(shù)會議論文集[C];2001年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 林冠洲;網(wǎng)絡(luò)流量識別關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2011年

2 王艷嬌;人工蜂群算法的研究與應(yīng)用[D];哈爾濱工程大學(xué);2013年

3 張冬麗;人工蜂群算法的改進(jìn)及相關(guān)應(yīng)用研究[D];燕山大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前7條

1 楊飛虎;特征選擇算法及其在網(wǎng)絡(luò)流量識別中的應(yīng)用研究[D];南京郵電大學(xué);2012年

2 梁燕;SVM分類器的擴(kuò)展及其應(yīng)用研究[D];湖南大學(xué);2008年

3 張偉;群體決策支持系統(tǒng)中的群體偏好集結(jié)技術(shù)研究[D];武漢理工大學(xué);2009年

4 李紅英;支持向量分類機(jī)的核函數(shù)研究[D];重慶大學(xué);2009年

5 林立友;基于協(xié)議分析和SVM多分類的入侵檢測系統(tǒng)研究[D];內(nèi)蒙古科技大學(xué);2011年

6 張菲;蜂群混合算法[D];西安電子科技大學(xué);2013年

7 楊丹;人工蜂群算法的改進(jìn)及應(yīng)用研究[D];安徽大學(xué);2014年

  本文關(guān)鍵詞：基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流量識別技術(shù)研究，，由筆耕文化傳播整理發(fā)布。

本文編號：357814