網(wǎng)絡流量分類識別若干技術(shù)研究.pdf

1、近年來,信息科學領(lǐng)域發(fā)展迅速,許多新興技術(shù)特別是基于TCP/IP協(xié)議的互聯(lián)網(wǎng)的廣泛應用,已經(jīng)深刻地改變了人們的生活方式,互聯(lián)網(wǎng)正日益成為人類社會不可或缺的重要基礎(chǔ)設(shè)施之一。而伴隨著網(wǎng)絡技術(shù)的不斷發(fā)展、網(wǎng)絡帶寬的不斷增加,網(wǎng)絡流量分類識別技術(shù)作為網(wǎng)絡管理與網(wǎng)絡分析的基礎(chǔ),在網(wǎng)絡安全、網(wǎng)絡服務質(zhì)量測評等領(lǐng)域都具有廣泛的應用前景,是目前計算機網(wǎng)絡研究的重要領(lǐng)域之一。
　　網(wǎng)絡流量涉及到主機、網(wǎng)絡、應用以及用戶等多個相互緊密聯(lián)系的實體,是

2、一個多因素融合的、復雜的系統(tǒng)概念。每個網(wǎng)絡應用都有自己相應的流量行為特性,隨著各種網(wǎng)絡新型應用和網(wǎng)絡應用層協(xié)議的不斷出現(xiàn),網(wǎng)絡流量的復雜性也日益增加,其多變、動態(tài)、異質(zhì)的特性也更加明顯。同時,動態(tài)端口傳輸、數(shù)據(jù)傳輸加密等新興技術(shù)的廣泛應用也對網(wǎng)絡流量分類識別提出了巨大的挑戰(zhàn),此外,網(wǎng)絡數(shù)據(jù)具有一定的時間性和地域性,所以其自身行為特征變化也比較大,這些都會對流量分類識別造成一定的影響。本文系統(tǒng)地回顧了網(wǎng)絡流量分類識別的發(fā)展歷程,歸納了國際

3、標準化組織、各研究機構(gòu)和網(wǎng)絡運營商在網(wǎng)絡流量分類識別方面所取得的重要成果,指出在當前網(wǎng)絡快速發(fā)展的背景下進行大規(guī)模網(wǎng)絡流量分類識別研究的重要意義。本文對網(wǎng)絡流量分類識別方法及模型的構(gòu)建、網(wǎng)絡流量類型分析等領(lǐng)域中的幾個關(guān)鍵方法及相關(guān)技術(shù)進行了深入研究,主要內(nèi)容包括:
　　(1)基于貝葉斯更新的網(wǎng)絡流量分類識別方法,許多分類算法沒有考慮到數(shù)據(jù)隨時間變化,流量行為特征也在發(fā)生變化,為了保證分類模型識別的精度和有效性,需要準確地根據(jù)流量的

4、變化而隨時做出相應的調(diào)整。本文提出一種貝葉斯更新策略機制,在網(wǎng)絡流量分類識別過程中,通過在貝葉斯模型中加入更新機制以滿足隨流量數(shù)據(jù)集的不斷變化,分類模型也相應更新,利用模型的更新提升分類的整體性能,并保證數(shù)據(jù)的一致性和模型應用的穩(wěn)定性。
　　(2)基于神經(jīng)網(wǎng)絡的分類識別方法研究,隨著網(wǎng)絡數(shù)據(jù)的不斷變化,數(shù)據(jù)中難免會出現(xiàn)一些“噪聲數(shù)據(jù)”,而神經(jīng)網(wǎng)絡對輸入數(shù)據(jù)的噪聲體現(xiàn)出較強的容錯性,且具有一定的自適應和自組織能力。本文首先提出一種基

5、于有監(jiān)督學習的神經(jīng)網(wǎng)絡分類模型,采用貝葉斯規(guī)整化原則并利用FCBF屬性選擇算法優(yōu)化屬性測度分布,以提高分類的總體準確率。隨后,本文構(gòu)建一個SOM和PNN相融合的網(wǎng)絡流量分類識別模型,通過SOM對PNN輸入空間的數(shù)據(jù)進行計算,提高了分類效率,其參考向量保留了原訓練樣本集的特征,有利于提高模型分類識別的精度,通過PNN直接給出概率分類識別結(jié)果,也彌補了SOM不能直接顯示分類識別結(jié)果的缺點,提高了系統(tǒng)的實用性。理論分析和實驗結(jié)果都表明,所構(gòu)建

6、的分類模型可以實現(xiàn)流量分類識別性能的優(yōu)化并獲取有效的高精度的識別結(jié)果。
　　(3)基于譜聚類的網(wǎng)絡流量分類識別方法研究,該方法把網(wǎng)絡流量分類識別問題通過聚類思想轉(zhuǎn)化為一個無向圖的多路劃分問題,并且利用拉普拉斯矩陣作為工具,最終使用圖論的思想來解決流量分類的問題。實驗結(jié)果表明該方法具有良好的流量分類識別效果,精確度較高,并且,相對于分類方法,聚類思想能夠發(fā)現(xiàn)網(wǎng)絡流量中新的網(wǎng)絡應用類型。
　　(4)基于機器學習的半監(jiān)督流量分類識

7、別方法研究,本文首先利用有效載荷分析方法對網(wǎng)絡流進行標記并以此作為識別監(jiān)督信息,然后對未標記的網(wǎng)絡流量使用聚類算法進行識別并利用已標記的監(jiān)督信息完成相關(guān)類簇的標記匹配。算法考慮到樣本數(shù)據(jù)的全局一致性需求,通過密度敏感的相似性函數(shù)對K均值算法初始簇中心的選取提出改進,以獲取更優(yōu)的聚類劃分簇,并通過最大似然估計方法標記聚類結(jié)果實現(xiàn)與相關(guān)應用類型或協(xié)議的對應匹配過程,實驗數(shù)據(jù)分析表明該方法提升了流量分類識別結(jié)果的有效性和準確性。
　　(