發(fā)布時(shí)間：2023-04-05 07:05

　　隨著互聯(lián)網(wǎng)的飛速發(fā)展,網(wǎng)絡(luò)應(yīng)用數(shù)目和規(guī)模呈指數(shù)級(jí)增長(zhǎng),在給用戶生活帶來便利的同時(shí),也伴隨著異常龐大的流量。準(zhǔn)確有效地識(shí)別網(wǎng)絡(luò)應(yīng)用,將有助于網(wǎng)絡(luò)安全控制和資源管理。作為下一代網(wǎng)絡(luò)架構(gòu),軟件定義網(wǎng)絡(luò)(Software Defined Network,SDN)目前僅支持基于網(wǎng)絡(luò)第2/3/4層的路由策略規(guī)劃,但缺乏對(duì)網(wǎng)絡(luò)更高層的應(yīng)用感知。若能在SDN中實(shí)現(xiàn)應(yīng)用識(shí)別以獲取流量的應(yīng)用層信息,就可以更智能地提供網(wǎng)絡(luò)服務(wù)。綜上所述,本文將基于深度學(xué)習(xí)對(duì)SDN應(yīng)用識(shí)別方法進(jìn)行研究。首先,提出一種基于深度學(xué)習(xí)的SDN應(yīng)用識(shí)別框架,并對(duì)該框架的運(yùn)行機(jī)制進(jìn)行了充分的研究和探索。對(duì)框架中涉及的每個(gè)模塊的功能和作用都進(jìn)行了研究,各模塊相互協(xié)作完成應(yīng)用識(shí)別功能,并將識(shí)別結(jié)果用于上層應(yīng)用管理或下層路由規(guī)劃中。然后,針對(duì)框架中的應(yīng)用識(shí)別模塊,提出了一種深度學(xué)習(xí)模型對(duì)SDN流量進(jìn)行應(yīng)用識(shí)別�；赥heano深度學(xué)習(xí)框架和有明確應(yīng)用標(biāo)記信息的Moore數(shù)據(jù)集,來構(gòu)建具有較高應(yīng)用識(shí)別準(zhǔn)確率的SdA-LSSVM(堆疊去噪自動(dòng)編碼器-最小二乘支持向量機(jī))深度學(xué)習(xí)模型,并對(duì)WWW,MAlL,FTP_DATA等1...

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 應(yīng)用識(shí)別研究現(xiàn)狀
        1.2.2 SDN應(yīng)用識(shí)別研究現(xiàn)狀
    1.3 論文主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)
        1.3.1 主要研究?jī)?nèi)容
        1.3.2 創(chuàng)新點(diǎn)
    1.4 論文組織結(jié)構(gòu)
2 相關(guān)技術(shù)研究
    2.1 SDN相關(guān)技術(shù)
        2.1.1 SDN的概念
        2.1.2 SDN網(wǎng)絡(luò)架構(gòu)
    2.2 流量應(yīng)用識(shí)別方法研究
        2.2.1 流量的定義與屬性
        2.2.2 常用的應(yīng)用識(shí)別方法
        2.2.3 常用的深度學(xué)習(xí)方法
    2.3 堆疊去噪自動(dòng)編碼器
        2.3.1 自動(dòng)編碼器
        2.3.2 去噪自動(dòng)編碼器
        2.3.3 堆疊去噪自動(dòng)編碼器
    2.4 最小二乘支持向量機(jī)
        2.4.1 支持向量機(jī)
        2.4.2 核函數(shù)
        2.4.3 最小二乘向量機(jī)
    2.5 本章小結(jié)
3 基于深度學(xué)習(xí)的SDN應(yīng)用識(shí)別框架研究
    3.1 應(yīng)用識(shí)別當(dāng)前瓶頸問題
    3.2 SDN應(yīng)用識(shí)別框架設(shè)計(jì)
    3.3 SDN應(yīng)用識(shí)別框架運(yùn)行機(jī)制
    3.4 本章小結(jié)
4 SDN應(yīng)用識(shí)別模型研究
    4.1 SDN應(yīng)用識(shí)別模塊設(shè)計(jì)
    4.2 SDN應(yīng)用識(shí)別模型構(gòu)建
        4.2.1 SdA-LSSVM模型結(jié)構(gòu)
        4.2.2 基于SdA-LSSVM的應(yīng)用識(shí)別
    4.3 SdA-LSSVM模型的改進(jìn)
        4.3.1 粒子群優(yōu)化算法原理
        4.3.2 粒子群優(yōu)化LSSVM
    4.4 本章小結(jié)
5 模型驗(yàn)證與結(jié)果分析
    5.1 實(shí)驗(yàn)環(huán)境
    5.2 實(shí)驗(yàn)數(shù)據(jù)集
        5.2.1 數(shù)據(jù)預(yù)處理
        5.2.2 數(shù)據(jù)集組成
    5.3 實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)
    5.4 實(shí)驗(yàn)結(jié)果分析與對(duì)比
        5.4.1 不同網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比
        5.4.2 不同深度學(xué)習(xí)模型的對(duì)比
        5.4.3 不同參數(shù)優(yōu)化算法對(duì)比
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
本文作者碩士期間取得的成果
致謝



本文編號(hào)：3782973