【摘要】：隨著互聯(lián)網(wǎng)和流媒體技術的日新月異,網(wǎng)絡視頻業(yè)務流在網(wǎng)絡中所占的比重不斷增大。新興應用業(yè)務的不斷涌現(xiàn)使得當前的網(wǎng)絡環(huán)境變得更加復雜,如何有效地分配有限的網(wǎng)絡帶寬資源和保障網(wǎng)絡服務質(zhì)量成為ISP(Internet Service Provider)急需解決的問題。網(wǎng)絡視頻業(yè)務流的分類技術可使ISP更好的依據(jù)不同的視頻業(yè)務的QoS(Quality of Service)需求提供不同等級的服務,從而優(yōu)化網(wǎng)絡資源分配。本文主要對標清/高清/超清視頻、在線直播視頻、即時通信類視頻、P2P類視頻和HTTP視頻下載七種網(wǎng)絡視頻業(yè)務進行識別研究。主要的研究工作如下:提出一種基于ReliefF和粒子群優(yōu)化算法(PSO)的特征選擇方法。該方法首先利用ReliefF算法濾除部分無關特征,達到快速降維的目的;然后以PSO作為搜索算法,并用ReliefF算法得到排名靠前的部分優(yōu)良特征作為粒子群的初始種群,以不一致率作為評價函數(shù)在剩余特征子集中選擇出最優(yōu)子集。ReliefF既減小了特征空間維數(shù),又為PSO算法提供了先驗知識,從而提高了算法整體的搜索效率和分類精度。實驗表明,該方法在不同的數(shù)據(jù)集上均能保持較優(yōu)的性能。如何找到能反映網(wǎng)絡視頻業(yè)務本質(zhì)差異的統(tǒng)計特征組合是網(wǎng)絡視頻業(yè)務流識別和分類的關鍵。通過利用本文提出的特征選擇算法,可以獲得一些更具有區(qū)分度的QoS統(tǒng)計特征組合,并且利用特征分布圖驗證這些特征組合的有效性。分類算法的性能除了和算法本身有關,還與所要分類的類別數(shù)目有關。分類算法的性能會隨著類別數(shù)目增加而降低。因此,本文針對網(wǎng)絡視頻業(yè)務設計了一種多層SVM(Support Vector Machine)級聯(lián)分類模型。每一個SVM分類器只用來識別特定類型的網(wǎng)絡視頻業(yè)務,并且每個分類器采用不同的統(tǒng)計特征組合。與現(xiàn)有方法相比,本文提出的多層SVM級聯(lián)分類識別算法具有更優(yōu)的分類性能。
[Abstract]:With the rapid development of Internet and streaming media technology, the proportion of network video traffic in the network is increasing. The emergence of new applications makes the current network environment more complex. How to effectively allocate limited network bandwidth resources and ensure network quality of service becomes ISP (Internet Service Provider). The classification technology of network video traffic can make ISP provide different levels of service according to different QoS (Quality of Service) requirements of video traffic, and optimize network resource allocation. Seven kinds of network video services for video download are studied. The main research work is as follows: A feature selection method based on ReliefF and particle swarm optimization (PSO) is proposed. ReliefF not only reduces the dimension of feature space, but also provides a priori knowledge for PSO algorithm, thus improving the overall search efficiency and classification accuracy of the algorithm. It is the key to identify and classify network video traffic that how to find the combination of statistical features that can reflect the essential differences of network video traffic. By using the feature selection algorithm proposed in this paper, we can obtain some more discriminatory QoS statistical feature combinations, and make use of the characteristics. The performance of the classification algorithm depends not only on the algorithm itself, but also on the number of classes to be classified. The performance of the classification algorithm will decrease with the increase of the number of classes. Each SVM classifier is only used to identify specific types of network video services, and each classifier uses different statistical features combination. Compared with the existing methods, the proposed multi-layer SVM cascade classification algorithm has better classification performance.
【學位授予單位】：南京郵電大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP18;TP393.0

【相似文獻】

相關期刊論文 前10條

1 江乃雄;蔡民;;綜合距離特征選擇問題解的存在性與唯一性[J];計算機應用與軟件;1992年01期

2 吉小軍,李世中,李霆;相關分析在特征選擇中的應用[J];測試技術學報;2001年01期

3 賈沛;桑農(nóng);唐紅衛(wèi);;一種改進的類別依賴型特征選擇技術[J];計算機與數(shù)子工程;2003年06期

4 靖紅芳;王斌;楊雅輝;徐燕;;基于類別分布的特征選擇框架[J];計算機研究與發(fā)展;2009年09期

5 吳洪麗;朱顥東;周瑞瓊;;使用特征分辨率和差別對象對集的特征選擇[J];計算機工程與應用;2010年16期

6 楊藝;韓德強;韓崇昭;;基于排序融合的特征選擇[J];控制與決策;2011年03期

7 李云;;穩(wěn)定的特征選擇研究[J];微型機與應用;2012年15期

8 錢學雙;多重篩選逐步回歸特征選擇法及其應用[J];信息與控制;1986年05期

9 宣國榮;柴佩琪;;基于巴氏距離的特征選擇[J];模式識別與人工智能;1996年04期

10 范勁松,方廷健;特征選擇和提取要素的分析及其評價[J];計算機工程與應用;2001年13期

相關會議論文 前10條

1 靖紅芳;王斌;楊雅輝;;基于類別分布的特征選擇框架[A];第四屆全國信息檢索與內(nèi)容安全學術會議論文集（上）[C];2008年

2 李長升;盧漢清;;排序?qū)W習模型中的特征選擇[A];第六屆和諧人機環(huán)境聯(lián)合學術會議（HHME2010)、第19屆全國多媒體學術會議（NCMT2010）、第6屆全國人機交互學術會議（CHCI2010）、第5屆全國普適計算學術會議（PCC2010）論文集[C];2010年

3 劉功申;李建華;李生紅;;基于類信息的特征選擇和加權方法[A];NCIRCS2004第一屆全國信息檢索與內(nèi)容安全學術會議論文集[C];2004年

4 張妍;張曉光;王永鋼;;幾種改進型的粒子群優(yōu)化算法[A];第一屆中國高校通信類院系學術研討會論文集[C];2007年

5 孫紅光;潘毓學;;基于運動目標路徑的粒子群優(yōu)化算法研究[A];第二屆全國信息獲取與處理學術會議論文集[C];2004年

6 韓毅;唐加福;郭偉宏;劉陽;;混合粒子群優(yōu)化算法求解多層批量問題(英文)[A];中國運籌學會第八屆學術交流會論文集[C];2006年

7 金一粟;梁逸曾;;空間自適應粒子群優(yōu)化算法的應用研究[A];第九屆全國計算（機）化學學術會議論文摘要集[C];2007年

8 汪榮貴;李守毅;孫見青;;一種新的自適應粒子群優(yōu)化算法及應用[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

9 黃雙歡;程良倫;;一種基于粒子群優(yōu)化的快速圖像傾斜角度檢測算法[A];中國自動化學會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

10 侯志榮;呂振肅;;基于退火策略的粒子群優(yōu)化算法[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

相關重要報紙文章 前10條

1 楊文清　馬騰;如何搜集民事訴訟網(wǎng)絡證據(jù)[N];榆林日報;2011年

2 亞信公司應用咨詢部 韓少云;運用網(wǎng)絡技術 分析網(wǎng)絡業(yè)務[N];中國高新技術產(chǎn)業(yè)導報;2000年

3 張彤;網(wǎng)絡簡化后的性能[N];網(wǎng)絡世界;2009年

4 北京中創(chuàng)信測科技股份有限公司 韓冰;中創(chuàng)信測：全面監(jiān)測構建高性能的3G網(wǎng)絡[N];通信產(chǎn)業(yè)報;2005年

5 楊虹;有一種網(wǎng)絡幫助油田實現(xiàn)多點集中管理[N];中國石化報;2007年

6 本報特約撰稿 宋瑾　李洋;網(wǎng)絡優(yōu)化常用技法[N];計算機世界;2009年

7 本報記者 那罡;以“寬松”模式管理大學網(wǎng)絡[N];中國計算機報;2010年

8 《網(wǎng)絡世界》記者 蒙克;開放網(wǎng)絡熱浪襲人[N];網(wǎng)絡世界;2014年

9 Cache Flow公司 李峰;您的網(wǎng)絡能否有效管理？[N];中國計算機報;2001年

10 鐘凌江;推進網(wǎng)絡視頻業(yè)務和諧發(fā)展[N];人民郵電;2007年

相關博士學位論文 前10條

1 李靜;高維數(shù)據(jù)交互特征選擇和分類研究[D];燕山大學;2015年

2 劉風;基于磁共振成像的多變量模式分析方法學與應用研究[D];電子科技大學;2014年

3 王石平;粗糙擬陣及其在高維數(shù)據(jù)降維中的應用研究[D];電子科技大學;2014年

4 代琨;基于支持向量機的網(wǎng)絡數(shù)據(jù)特征選擇技術研究[D];解放軍信息工程大學;2013年

5 王愛國;微陣列基因表達數(shù)據(jù)的特征分析方法研究[D];合肥工業(yè)大學;2015年

6 楊峻山;生物組學數(shù)據(jù)的集成特征選擇研究[D];深圳大學;2017年

7 王博;文本分類中特征選擇技術的研究[D];國防科學技術大學;2009年

8 張明錦;基于特征選擇的多變量數(shù)據(jù)分析方法及其在譜學研究中的應用[D];華東理工大學;2011年

9 高青斌;蛋白質(zhì)亞細胞定位預測相關問題研究[D];國防科學技術大學;2006年

10 馮國忠;文本分類中的貝葉斯特征選擇[D];東北師范大學;2011年

相關碩士學位論文 前10條

1 馮茂;基于粒子群優(yōu)化的網(wǎng)絡視頻流特征選擇與識別[D];南京郵電大學;2017年

2 周瑞;基于支持向量機特征選擇的移動通信網(wǎng)絡問題分析[D];華南理工大學;2015年

3 張金蕾;蛋白質(zhì)SUMO化修飾位點預測的數(shù)據(jù)挖掘技術研究[D];西北農(nóng)林科技大學;2015年

4 陳云風;基于聚類集成技術的高鐵信號故障診斷研究[D];西南交通大學;2015年

5 張斌斌;網(wǎng)絡股評的傾向性分析[D];中央民族大學;2015年

6 季金勝;高分辨率遙感影像典型地物目標的特征選擇及其穩(wěn)定性研究[D];上海交通大學;2015年

7 袁玉錄;基于數(shù)據(jù)分類的網(wǎng)絡通信行為建模方法研究[D];電子科技大學;2015年

8 王虎;基于試驗設計的白酒譜圖特征選擇及支持向量機參數(shù)優(yōu)化研究[D];南京財經(jīng)大學;2015年

9 王維智;基于特征提取和特征選擇的級聯(lián)深度學習模型研究[D];哈爾濱工業(yè)大學;2015年

10 皮陽;基于聲音的生物種群識別[D];電子科技大學;2015年

，

本文編號：2224928