協(xié)議識(shí)別是指對(duì)網(wǎng)絡(luò)傳輸協(xié)議的識(shí)別,本文研究的應(yīng)用層協(xié)議和無(wú)線傳輸協(xié)議對(duì)于網(wǎng)絡(luò)安全、網(wǎng)絡(luò)規(guī)劃與管理、網(wǎng)絡(luò)流量?jī)?yōu)化等來(lái)說都意義重大。在應(yīng)用層方面,傳統(tǒng)的識(shí)別方法,例如基于端口的識(shí)別技術(shù),基于靜態(tài)載荷特征協(xié)議識(shí)別技術(shù)都在不同程度上存在缺陷,無(wú)法適應(yīng)當(dāng)前協(xié)議識(shí)別的需求;在無(wú)線傳輸協(xié)議方面,公布的資料來(lái)看國(guó)內(nèi)外還沒有投入大量研究精力在無(wú)線傳輸?shù)膮f(xié)議識(shí)別中,現(xiàn)有的識(shí)別方法主要是通過對(duì)信號(hào)層面的參數(shù)識(shí)別,將所識(shí)別的參數(shù)定義為特征向量,最后使用分類算法進(jìn)行識(shí)別。這種方法過度依賴前面部分的識(shí)別準(zhǔn)確率,當(dāng)參數(shù)識(shí)別率下降時(shí),協(xié)議識(shí)別的準(zhǔn)確率下降非常快。本文針對(duì)上述問題,提出一種基于深度學(xué)習(xí)的識(shí)別方法,該方法以數(shù)據(jù)為驅(qū)動(dòng),使用神經(jīng)網(wǎng)絡(luò)在大量數(shù)據(jù)中學(xué)習(xí)特征,最后進(jìn)行分類。本文主要有以下兩點(diǎn)貢獻(xiàn):首先,針對(duì)應(yīng)用層協(xié)議的識(shí)別問題,提出一種基于深度學(xué)習(xí)的方法進(jìn)行識(shí)別,解決了現(xiàn)有方法識(shí)別率低、涉及隱私等問題。首先使用現(xiàn)有的DNN、CNN、LSTM、LSTM-DNN四種基礎(chǔ)網(wǎng)絡(luò)框架對(duì)原始比特流協(xié)議數(shù)據(jù)進(jìn)行識(shí)別,通過實(shí)驗(yàn)分析網(wǎng)絡(luò)不同超參數(shù)對(duì)識(shí)別性能的影響。在實(shí)驗(yàn)中發(fā)現(xiàn)當(dāng)不同協(xié)議的長(zhǎng)度差異過大時(shí),網(wǎng)絡(luò)識(shí)別率會(huì)大幅下降。本文根... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

深度信念結(jié)構(gòu)圖

圖 2. 5 卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)有很大的不同，摒棄了全連接的神經(jīng)用卷積層和池化層交替連接的方式進(jìn)行特征提取。它的人工神經(jīng)元可以響應(yīng)一部蓋范圍內(nèi)的周圍單元，也就是說網(wǎng)絡(luò)會(huì)在再一次運(yùn)算中都是對(duì)一部分區(qū)域進(jìn)行運(yùn)不是一個(gè)點(diǎn)。這樣的運(yùn)算方式在大型圖像處理方面有很好的效果。在卷積層和池后使用全連接層，最后接分類器。下面詳細(xì)介紹卷積層和池化層，顧名思義，卷的運(yùn)算方式就是卷積操作，卷積的運(yùn)算方式如圖 2.6 所示。原始數(shù)據(jù)卷積核Feature map

圖 2. 9 LSTM 神經(jīng)元 RNN 在神經(jīng)元內(nèi)只有一個(gè)激活函數(shù)F ，由圖 2.9 可知，相比對(duì)原始 在其基礎(chǔ)上增加了 3 個(gè)門限，分別是 Input gate，Output gate 和 Fo構(gòu)更加復(fù)雜。輸入門接受當(dāng)前時(shí)刻的輸入tx 和上一時(shí)刻來(lái)自同層神經(jīng)元的狀態(tài)

【參考文獻(xiàn)】：
期刊論文
[1]一種基于降噪自編碼器的人臉表情識(shí)別方法[J]. 李江,冉君軍,張克非.  計(jì)算機(jī)應(yīng)用研究. 2016(12)
[2]深度學(xué)習(xí)研究進(jìn)展[J]. 劉建偉,劉媛,羅雄麟.  計(jì)算機(jī)應(yīng)用研究. 2014(07)
[3]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強(qiáng),徐偉.  計(jì)算機(jī)研究與發(fā)展. 2013(09)
[4]基于SVM算法的短波通信協(xié)議識(shí)別技術(shù)[J]. 聶東舉,葉進(jìn),閆坤,車?yán)?  系統(tǒng)工程與電子技術(shù). 2013(06)
[5]基于二階循環(huán)統(tǒng)計(jì)量的BPSK參數(shù)估計(jì)[J]. 于寧宇,馬紅光,石榮,石磊.  系統(tǒng)工程與電子技術(shù). 2011(09)
[6]基于KPCA和LDA的信號(hào)調(diào)制識(shí)別[J]. 周欣,吳瑛.  系統(tǒng)工程與電子技術(shù). 2011(07)
[7]基于Walsh-Hadamard變換的卷積碼盲識(shí)別[J]. 劉健,王曉君,周希元.  電子與信息學(xué)報(bào). 2010(04)
[8]基于正則表達(dá)式的深度包檢測(cè)算法[J]. 丁晶,陳曉嵐,吳萍.  計(jì)算機(jī)應(yīng)用. 2007(09)
[9]應(yīng)用層協(xié)議識(shí)別算法綜述[J]. 陳亮,龔儉,徐選.  計(jì)算機(jī)科學(xué). 2007(07)
[10]基于特征串的應(yīng)用層協(xié)議識(shí)別[J]. 陳亮,龔儉,徐選.  計(jì)算機(jī)工程與應(yīng)用. 2006(24)

碩士論文
[1]深度學(xué)習(xí)在圖像識(shí)別中的研究及應(yīng)用[D]. 李衛(wèi).武漢理工大學(xué) 2014



本文編號(hào)：3277415