發(fā)布時(shí)間：2024-03-22 18:48

　　隨著網(wǎng)絡(luò)的快速發(fā)展和協(xié)議結(jié)構(gòu)多樣性的出現(xiàn)，網(wǎng)絡(luò)協(xié)議識(shí)別技術(shù)越來(lái)越成為人們研究的熱點(diǎn)。該技術(shù)不僅能分析出網(wǎng)絡(luò)流量的組成成分，還能為網(wǎng)絡(luò)的維護(hù)，流量的建模和網(wǎng)絡(luò)安全的防御提供量化的數(shù)據(jù)支持以及基礎(chǔ)的數(shù)據(jù)分析。本文主要研究了基于隱馬爾可夫模型(Hidden Markov Model HMM)的協(xié)議識(shí)別技術(shù)，主要工作如下： 首先，介紹了傳統(tǒng)的協(xié)議識(shí)別方法。包括基于端口號(hào)的協(xié)議識(shí)別，基于載荷匹配的協(xié)議識(shí)別，基于深度包檢測(cè)方法的識(shí)別，以及各自的適用范圍和優(yōu)缺點(diǎn)。 其次，針對(duì)傳統(tǒng)協(xié)議識(shí)別的不足，本文提出運(yùn)用HMM來(lái)進(jìn)行協(xié)議識(shí)別，該方法采用了不受動(dòng)態(tài)端口號(hào)和加密條件影響的包層次統(tǒng)計(jì)特征。研究了HMM基本算法：用前向-后向算法來(lái)解決觀察變量問(wèn)題；用Viterbi算法來(lái)解決最佳隱含狀態(tài)問(wèn)題；運(yùn)用Baum-Welch算法來(lái)解決模型參數(shù)問(wèn)題。針對(duì)HMM在實(shí)際運(yùn)用中的情況，提出了改進(jìn)措施，并介紹了將HMM運(yùn)用于協(xié)議識(shí)別的優(yōu)勢(shì)。 最后，本文提出了多輸入單輸出的并行HMM系統(tǒng)架構(gòu)。該架構(gòu)是一個(gè)基于包層次統(tǒng)計(jì)特征的HMM協(xié)議識(shí)別方案，選擇(IPT, PS)序列對(duì)，作為HMM的觀察變量，經(jīng)過(guò)學(xué)習(xí)訓(xùn)練找到與觀察變量相一致...

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
目錄
第一章 緒論
    1.1 課題研究背景
    1.2 研究現(xiàn)狀
    1.3 研究意義
    1.4 本文主要工作
    1.5 論文組織安排
第二章 網(wǎng)絡(luò)協(xié)議識(shí)別技術(shù)
    2.1 協(xié)議識(shí)別的基本概念
    2.2 基于端口號(hào)的協(xié)議識(shí)別技術(shù)
    2.3 基于載荷特征的協(xié)議識(shí)別技術(shù)
    2.4 基于行為特征的協(xié)議識(shí)別技術(shù)
    2.5 基于機(jī)器學(xué)習(xí)的協(xié)議識(shí)別技術(shù)
    2.6 各識(shí)別技術(shù)的優(yōu)缺點(diǎn)分析
    2.7 小結(jié)
第三章 隱馬爾可夫模型
    3.1 HMM 定義
    3.2 HMM 需要解決的三個(gè)問(wèn)題
    3.3 HMM 基本算法
        3.3.1 前向-后向算法用于解決評(píng)估問(wèn)題
        3.3.2 Viterbi 算法用于解決狀態(tài)序列的優(yōu)化問(wèn)題
        3.3.3 Baum-Welch 算法用于解決訓(xùn)練問(wèn)題
    3.4 HMM 在實(shí)際應(yīng)用中的改進(jìn)
        3.4.1 初始模型的選取問(wèn)題
        3.4.2 算法下溢問(wèn)題
        3.4.3 過(guò)度擬合問(wèn)題
    3.5 將 HMM 運(yùn)用于協(xié)議識(shí)別的優(yōu)勢(shì)
    3.6 小結(jié)
第四章 基于統(tǒng)計(jì)特征的 HMM 協(xié)議識(shí)別技術(shù)
    4.1 識(shí)別特征選擇
    4.2 統(tǒng)計(jì)特征分布
    4.3 統(tǒng)計(jì)擬合方法
    4.4 基于統(tǒng)計(jì)特征的 HMM 協(xié)議識(shí)別
        4.4.1 研究模型
        4.4.2 單個(gè)HMMi模型
        4.4.3 雙特征下模型參數(shù)的改進(jìn)
        4.4.4 模型的統(tǒng)計(jì)特性
        4.4.5 協(xié)議識(shí)別
        4.4.6 自主學(xué)習(xí)
    4.5 小結(jié)
第五章 實(shí)驗(yàn)內(nèi)容與分析
    5.1 數(shù)據(jù)來(lái)源
    5.2 實(shí)驗(yàn)環(huán)境
    5.3 模型參數(shù)的學(xué)習(xí)
    5.4 訓(xùn)練算法的收斂性
    5.5 各應(yīng)用類型的訓(xùn)練模型
    5.6 識(shí)別結(jié)果
        5.6.1 實(shí)驗(yàn)對(duì)比一
        5.6.2 實(shí)驗(yàn)對(duì)比二
    5.7 小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
發(fā)表論文和科研情況說(shuō)明
致謝



本文編號(hào)：3934813