網(wǎng)絡(luò)游戲作為一種新興的娛樂社交方式,現(xiàn)已擁有著龐大的用戶群體,且不斷增加。同時(shí)網(wǎng)絡(luò)游戲的發(fā)展也伴隨著巨大的經(jīng)濟(jì)效益,其社會(huì)認(rèn)可度也越來越高,因此通過對網(wǎng)絡(luò)游戲進(jìn)行加速,來提高網(wǎng)絡(luò)游戲的服務(wù)質(zhì)量有著十分重要的意義。為解決網(wǎng)絡(luò)游戲加速的問題,首先要從龐大的網(wǎng)絡(luò)數(shù)據(jù)流中找到網(wǎng)絡(luò)游戲的數(shù)據(jù)流。因?yàn)闄C(jī)器學(xué)習(xí)具有強(qiáng)大的自適應(yīng)性和自學(xué)習(xí)能力,能夠很好的解決識別問題,而且拓展性好,所以本文提出利用機(jī)器學(xué)習(xí)的方法來進(jìn)行網(wǎng)絡(luò)游戲識別。相對于傳統(tǒng)的利用單一維度信息進(jìn)行網(wǎng)絡(luò)游戲識別,提出了利用多維度信息進(jìn)行網(wǎng)絡(luò)游戲識別。在網(wǎng)絡(luò)游戲加速方面,本文設(shè)計(jì)了網(wǎng)絡(luò)游戲加速模型,該模型主要包括:利用SOCKET原始套接字實(shí)現(xiàn)的輸入數(shù)據(jù)模塊、基于決策樹算法的游戲識別模塊、基于QoS的WRR調(diào)度策略設(shè)計(jì)的游戲加速模塊和利用多維度K-means聚類算法的數(shù)據(jù)更新模塊。該加速方法具有成本低、實(shí)現(xiàn)簡單和穩(wěn)定性強(qiáng)的優(yōu)點(diǎn)。通過仿真實(shí)驗(yàn)的方式對比了BP神經(jīng)網(wǎng)絡(luò)、決策樹、PNN概率神經(jīng)網(wǎng)絡(luò)、ELM極限學(xué)習(xí)機(jī)和小波神經(jīng)網(wǎng)絡(luò)這五種機(jī)器學(xué)習(xí)算法在處理網(wǎng)絡(luò)游戲識別問題上的性能。仿真實(shí)驗(yàn)的結(jié)果表明決策樹算法在進(jìn)行網(wǎng)絡(luò)游戲識別時(shí)性能最優(yōu),因此本文選取... 

【文章來源】：武漢郵電科學(xué)研究院湖北省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

武漢郵電科學(xué)研究院碩士學(xué)位論文8圖2-2決策樹結(jié)構(gòu)示意圖決策樹和其他的機(jī)器學(xué)習(xí)算法相比，其主要包括的優(yōu)勢有：(1)決策樹算法相對簡單且易于實(shí)現(xiàn)，其表達(dá)的含義相對容易理解；(2)和一些黑盒的機(jī)器學(xué)習(xí)算法相比，決策樹是白盒模型，能夠推理出其對應(yīng)的表達(dá)式，其結(jié)果能用相應(yīng)的if-else語句表示；(3)能夠處理多種類型的數(shù)據(jù)，且處理的數(shù)據(jù)不需要進(jìn)行歸一化和剔除無用數(shù)據(jù)的操作，減少了前期數(shù)據(jù)預(yù)處理的工作，更加便捷。決策樹算法除了以上的三個(gè)優(yōu)點(diǎn)外，同樣也有一些劣勢和缺點(diǎn)：(1)當(dāng)決策樹中不同類型的訓(xùn)練數(shù)據(jù)數(shù)量不同時(shí)，決策樹中的結(jié)果將更偏向于含有數(shù)據(jù)較多的類型，導(dǎo)致結(jié)果誤差較大；(2)決策樹節(jié)點(diǎn)的判定條件十分明確，這種明確性可能會(huì)造成誤導(dǎo)。綜上所述，決策樹算法的優(yōu)點(diǎn)包括：結(jié)構(gòu)簡單、實(shí)現(xiàn)簡單和邏輯明確等，因此將用于解決網(wǎng)絡(luò)數(shù)據(jù)流識別問題。2.1.3PNN概率神經(jīng)網(wǎng)絡(luò)PNN(ProbabilisticNeuralNetworks)概率神經(jīng)網(wǎng)絡(luò)是一種前饋型人工神經(jīng)網(wǎng)絡(luò)[30]。該算法最先是D.F.Specht于1989年提出的，以貝葉斯分類和概率論中核密度估計(jì)方法發(fā)展而形成的一種并行算法。PNN神經(jīng)網(wǎng)絡(luò)具有網(wǎng)絡(luò)結(jié)構(gòu)簡單和網(wǎng)絡(luò)訓(xùn)練快捷的優(yōu)點(diǎn)，因此得到了的廣泛引用。其主要目的是解決非線性的分類問題，在解決該類問題中通過線性學(xué)習(xí)的方法依舊能夠達(dá)到非線性方法的準(zhǔn)確度，因此解決分類問題上具有很大的優(yōu)勢。該算法因?yàn)椴槐匦拚W(wǎng)絡(luò)的權(quán)值，所以能夠解決訓(xùn)練上實(shí)時(shí)處理的需求。因此可以利用該方法進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)流識別。

武漢郵電科學(xué)研究院碩士學(xué)位論文9圖2-3概率神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)PNN神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2-3所示，包含輸入層、模式層、求和層和輸出層。輸入層的功能是把訓(xùn)練數(shù)據(jù)的特征向量傳給網(wǎng)絡(luò)，輸入層神經(jīng)元個(gè)數(shù)的選取由樣本矢量的維數(shù)決定，大小等于該值。模式層的功能是完成對輸入數(shù)據(jù)特征向量和不同模式的匹配，并進(jìn)行分析計(jì)算。訓(xùn)練數(shù)據(jù)的類型個(gè)數(shù)將會(huì)決定模式層的節(jié)點(diǎn)個(gè)數(shù)，該層的輸出值如式(2-1)所示。2()()(,)exp[]2TiiiXWXWhXW(2-1)式中，模式層的連接權(quán)值用iW表示，平滑因子用表示，這些參數(shù)對神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確的實(shí)現(xiàn)分類功能有著十分重要的影響。求和層的功能是把其中一種分類結(jié)果的概率累加求和，以此求出故障模式的估計(jì)概率密度函數(shù)。對于不同的分類，其結(jié)果只含有一種對應(yīng)的求和層單元。因此求和層單元只與自己對應(yīng)模式層單元的輸出有關(guān)系，和其它的類型都無關(guān)。經(jīng)過求和層的輸出與各自對應(yīng)類型的概率密度的估計(jì)成正比例。輸出層的功能是選取不同故障模式中具有最大后驗(yàn)概率密度的節(jié)點(diǎn)，并把該節(jié)點(diǎn)作為整個(gè)概率神經(jīng)網(wǎng)絡(luò)的輸出。樣本數(shù)據(jù)的分類個(gè)數(shù)將決定輸出層的節(jié)點(diǎn)個(gè)數(shù)，多少種分類類型對應(yīng)著多少個(gè)神經(jīng)元個(gè)數(shù)，且不同的神經(jīng)元對應(yīng)著不同的分類類型。


本文編號：3369792