本文關(guān)鍵詞：網(wǎng)絡(luò)協(xié)議識別關(guān)鍵技術(shù)研究

  更多相關(guān)文章： 未知協(xié)議識別 半監(jiān)督學(xué)習(xí) 數(shù)據(jù)包抽樣 特征選擇 流量識別

【摘要】：近年來,隨著網(wǎng)絡(luò)技術(shù)的不斷革新,涌現(xiàn)出各種新型未知網(wǎng)絡(luò)協(xié)議,導(dǎo)致網(wǎng)絡(luò)環(huán)境日益復(fù)雜;同時(shí),網(wǎng)絡(luò)帶寬的快速增長使得網(wǎng)絡(luò)流量急劇膨脹,給網(wǎng)絡(luò)協(xié)議識別技術(shù)帶來了極大的挑戰(zhàn)。隨著動(dòng)態(tài)端口號和載荷加密等新興技術(shù)的廣泛應(yīng)用,傳統(tǒng)的識別方法開始逐漸地失去識別能力,而基于機(jī)器學(xué)習(xí)的識別方法能夠克服傳統(tǒng)識別方法的不足,獲得較好的識別效果,展現(xiàn)出對未知協(xié)議和加密協(xié)議的識別能力,具有更好的應(yīng)用前景。本文利用機(jī)器學(xué)習(xí)方法對網(wǎng)絡(luò)協(xié)議識別中若干關(guān)鍵問題進(jìn)行深入研究。在已知網(wǎng)絡(luò)協(xié)議識別領(lǐng)域,多媒體流量占據(jù)了絕大部分的網(wǎng)絡(luò)流量,使得網(wǎng)絡(luò)流量比例嚴(yán)重失衡,給其他協(xié)議的識別造成干擾；網(wǎng)絡(luò)數(shù)據(jù)特征的維度過高會大大提高學(xué)習(xí)算法的復(fù)雜度,嚴(yán)重影響算法的分類性能。本文針對多媒體流量的數(shù)據(jù)包抽樣和網(wǎng)絡(luò)數(shù)據(jù)的特征選擇這兩個(gè)關(guān)鍵問題展開深入分析。在未知網(wǎng)絡(luò)協(xié)議識別領(lǐng)域,本文重點(diǎn)研究訓(xùn)練集中出現(xiàn)未知協(xié)議樣本的識別問題。主要的研究成果如下：1、提出一種面向多媒體流量的數(shù)據(jù)包自適應(yīng)抽樣方法,在保證數(shù)據(jù)包信息完整性的情況下,有效地減輕網(wǎng)絡(luò)數(shù)據(jù)結(jié)構(gòu)的失衡。該方法充分利用數(shù)據(jù)包兩個(gè)特征PS和IAT的相關(guān)性,通過MSVR算法實(shí)現(xiàn)對特征PS和IAT的同時(shí)預(yù)測,根據(jù)預(yù)測結(jié)果自適應(yīng)地調(diào)整抽樣概率,選擇更具代表性的數(shù)據(jù)包用于流量分類。實(shí)驗(yàn)結(jié)果表明該方法能夠有效地剔除冗余的數(shù)據(jù)包,減少抽樣造成的信息損失,保存數(shù)據(jù)包信息的完整性,同時(shí)提高流量的分類性能。2、提出一種基于類標(biāo)記擴(kuò)展的半監(jiān)督特征選擇方法,解決了傳統(tǒng)半監(jiān)督特征選擇方法無法實(shí)現(xiàn)相關(guān)性強(qiáng)的多類網(wǎng)絡(luò)數(shù)據(jù)特征的選擇問題。該方法利用少量標(biāo)記樣本輔助K-means聚類方法實(shí)現(xiàn)對大量未標(biāo)記樣本的標(biāo)簽標(biāo)記,獲得一個(gè)全標(biāo)記的訓(xùn)練樣本集；通過MDrSVM算法計(jì)算每類樣本的特征權(quán)重,實(shí)現(xiàn)對多類數(shù)據(jù)的特征選擇。實(shí)驗(yàn)結(jié)果表明該方法可以選擇相關(guān)性強(qiáng)的特征子集,提高網(wǎng)絡(luò)流量的分類性能。3、提出一種基于改進(jìn)直推式支持向量機(jī)的未知網(wǎng)絡(luò)協(xié)議識別方法,解決了算法訓(xùn)練過程中出現(xiàn)未知網(wǎng)絡(luò)協(xié)議樣本的類別增量學(xué)習(xí)問題。該方法基于半監(jiān)督分類策略,通過引入增類損失函數(shù)刻畫在算法訓(xùn)練過程中新增未知協(xié)議樣本的損失代價(jià),建立UPCTSVM的優(yōu)化模型并推導(dǎo)其求解過程,最終構(gòu)建的分類模型能夠識別新增的未知協(xié)議數(shù)據(jù)。通過真實(shí)的網(wǎng)絡(luò)數(shù)據(jù)集進(jìn)行仿真分析,實(shí)驗(yàn)結(jié)果表明該方法在識別未知網(wǎng)絡(luò)協(xié)議的可行性和有效性方面均有良好表現(xiàn)。4、提出一種基于半監(jiān)督聚類集成的未知網(wǎng)絡(luò)協(xié)議識別方法,解決了訓(xùn)練集中標(biāo)記樣本比例不足和聚類結(jié)果不穩(wěn)定的問題。該方法基于半監(jiān)督聚類策略,利用流的相關(guān)性實(shí)現(xiàn)對標(biāo)記樣本的擴(kuò)展,提高訓(xùn)練集中標(biāo)記樣本比例;引入集成學(xué)習(xí)方法輔助半監(jiān)督聚類實(shí)現(xiàn)對未知協(xié)議數(shù)據(jù)的識別,提高聚類結(jié)果的穩(wěn)定性；最后利用協(xié)議細(xì)分類模型實(shí)現(xiàn)對獲得的混合未知協(xié)議樣本集進(jìn)行再分類。實(shí)驗(yàn)結(jié)果表明該方法在樣本標(biāo)記比例不足情況下,能夠有效地識別出未知協(xié)議數(shù)據(jù),實(shí)現(xiàn)對未知協(xié)議的細(xì)分類,獲得較好的分類結(jié)果。
【關(guān)鍵詞】：未知協(xié)議識別 半監(jiān)督學(xué)習(xí) 數(shù)據(jù)包抽樣 特征選擇 流量識別
【學(xué)位授予單位】：解放軍信息工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP393.04
【目錄】：

• 摘要4-6
• Abstract6-12
• 第一章 緒論12-18
• 1.1 研究背景及意義12
• 1.2 國內(nèi)外研究現(xiàn)狀12-16
• 1.2.1 傳統(tǒng)的協(xié)議識別技術(shù)的研究現(xiàn)狀12-13
• 1.2.2 基于機(jī)器學(xué)習(xí)的協(xié)議識別技術(shù)的研究現(xiàn)狀13-16
• 1.3 論文的主要工作及結(jié)構(gòu)安排16-18
• 第二章 面向多媒體流量的數(shù)據(jù)包自適應(yīng)抽樣方法18-30
• 2.1 引言18
• 2.2 特征的相關(guān)性分析18-20
• 2.3 EAPM系統(tǒng)模型20-25
• 2.3.1 理想抽樣模型20-22
• 2.3.2 多輸出支持向量回歸機(jī)22-23
• 2.3.3 自適應(yīng)抽樣策略23-25
• 2.4 實(shí)驗(yàn)分析25-28
• 2.4.1 計(jì)算復(fù)雜度分析25-26
• 2.4.2 抽樣性能分析26
• 2.4.3 分類性能分析26-28
• 2.5 本章小結(jié)28-30
• 第三章 基于類標(biāo)記擴(kuò)展的半監(jiān)督網(wǎng)絡(luò)數(shù)據(jù)特征選擇方法30-38
• 3.1 引言30
• 3.2 SFSEL系統(tǒng)模型30-34
• 3.2.1 基于K-means的樣本標(biāo)記擴(kuò)展30-32
• 3.2.2 基于MDrSVM算法的特征選擇32-33
• 3.2.3 SFSEL方法描述33-34
• 3.3 實(shí)驗(yàn)分析34-37
• 3.3.1 實(shí)驗(yàn)數(shù)據(jù)34-35
• 3.3.2 實(shí)驗(yàn)結(jié)果及分析35-37
• 3.4 本章小結(jié)37-38
• 第四章 基于半監(jiān)督學(xué)習(xí)的未知網(wǎng)絡(luò)協(xié)議識別方法38-57
• 4.1 引言38
• 4.2 基于改進(jìn)直推式支持向量機(jī)的識別方法38-46
• 4.2.1 問題描述38-39
• 4.2.2 UPCTSVM工作原理39-42
• 4.2.3 實(shí)驗(yàn)分析42-46
• 4.2.3.1 實(shí)驗(yàn)數(shù)據(jù)42-44
• 4.2.3.2 實(shí)驗(yàn)結(jié)果分析44-46
• 4.3 基于半監(jiān)督聚類集成的識別方法46-54
• 4.3.1 問題描述46-47
• 4.3.2 UPCSS系統(tǒng)模型47-50
• 4.3.2.1 標(biāo)記樣本擴(kuò)展47-48
• 4.3.2.2 半監(jiān)督聚類集成48-50
• 4.3.2.3 協(xié)議細(xì)化分50
• 4.3.2.4 計(jì)算復(fù)雜度分析50
• 4.3.3 實(shí)驗(yàn)結(jié)果分析50-54
• 4.4 本章小結(jié)54-57
• 第五章 結(jié)束語57-60
• 5.1 論文工作總結(jié)57-58
• 5.2 進(jìn)一步工作展望58-60
• 致謝60-62
• 參考文獻(xiàn)62-68
• 作者簡歷68

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 王變琴;余順爭;;未知網(wǎng)絡(luò)應(yīng)用流量的自動(dòng)提取方法[J];通信學(xué)報(bào);2014年07期

2 代琨;于宏毅;李青;;一種基于支持向量機(jī)的特征選擇算法[J];模式識別與人工智能;2014年05期

3 趙博;郭虹;劉勤讓;鄔江興;;基于加權(quán)累積和檢驗(yàn)的加密流量盲識別算法[J];軟件學(xué)報(bào);2013年06期

4 李平紅;王勇;陶曉玲;;基于成對約束擴(kuò)展的半監(jiān)督網(wǎng)絡(luò)流量特征選擇算法[J];傳感器與微系統(tǒng);2013年05期

5 張震;汪斌強(qiáng);伊鵬;蘭巨龍;;一種分層組合的半監(jiān)督近鄰傳播聚類算法[J];電子與信息學(xué)報(bào);2013年03期

6 王濤;余順爭;;基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流量分類研究進(jìn)展[J];小型微型計(jì)算機(jī)系統(tǒng);2012年05期

7 丁要軍;蔡皖東;;采用兩階段策略模型(KTSVM)的P2P流量識別方法[J];西安交通大學(xué)學(xué)報(bào);2012年02期

8 葉吉祥;龔希齡;;一種快速的Wrapper式特征子集選擇新方法[J];長沙理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年04期

9 王博;賈焰;田李;;基于類標(biāo)號擴(kuò)展的半監(jiān)督特征選擇算法[J];計(jì)算機(jī)科學(xué);2009年10期

10 鄧超;郭茂祖;;基于Tri-Training和數(shù)據(jù)剪輯的半監(jiān)督聚類算法[J];軟件學(xué)報(bào);2008年03期

，

本文編號：541901