基于機器學(xué)習(xí)方法的網(wǎng)絡(luò)流量分類研究.pdf

1、隨著互聯(lián)網(wǎng)絡(luò)的日益發(fā)展和普及，網(wǎng)絡(luò)流量數(shù)據(jù)正以驚人的速度增長，它在給人們帶來方便的同時，也面臨著如何有效地對這些海量數(shù)據(jù)進行分析，以提高互聯(lián)網(wǎng)絡(luò)服務(wù)質(zhì)量以及促進互聯(lián)網(wǎng)更快、更好的發(fā)展.這篇論文主要研究基于機器學(xué)習(xí)方法的網(wǎng)絡(luò)流量分類以及相關(guān)技術(shù).包括網(wǎng)絡(luò)流量數(shù)據(jù)采集、特征產(chǎn)生、樣本標(biāo)識、特征選擇，以及應(yīng)用機器學(xué)習(xí)方法對網(wǎng)絡(luò)流進行分類等技術(shù).
　　在基于機器學(xué)習(xí)方法的網(wǎng)絡(luò)流量分類研究中，網(wǎng)絡(luò)流量樣本，包括訓(xùn)練樣本、測試樣本的獲取是非常

2、重要的一步.首先我們通過Sniffer的方法捕獲網(wǎng)絡(luò)報文，然后將采集到的報文按五元組進行分類為流，再結(jié)合Packet-Level和Flow_Level兩個層面上的信息，在報文屬性（大小、個數(shù)、時間、標(biāo)志位）、流的屬性（時間）上做了認(rèn)真的分析和研究，產(chǎn)生了37個網(wǎng)絡(luò)流量統(tǒng)計特征，形成了表示網(wǎng)絡(luò)流的特征向量.在網(wǎng)絡(luò)流量樣本的標(biāo)識上我們結(jié)合了基于端口、基于有效載荷，協(xié)議分解等多種方法，實現(xiàn)了樣本的自動標(biāo)識系統(tǒng)，標(biāo)識的正確率高.
　　在特

3、征選擇方面，運用特征距離以及遺傳算法進行綜合選擇，這種方法可以有效地找到較好的遺傳算法的初始群體.從而能在較少的迭代次數(shù)當(dāng)中找到較優(yōu)的特征子集，實驗結(jié)果表明提出的方法可以減少特征的數(shù)量，減少學(xué)習(xí)和分類的時間，同時還因去掉不相關(guān)或冗余特征，提高了分類的準(zhǔn)確性.
　　在基于機器學(xué)習(xí)的分類研究中，運用了六種不同的機器學(xué)習(xí)方法，對常見的網(wǎng)絡(luò)流量應(yīng)用類型進行了分類研究，并給出了實驗結(jié)果，實驗結(jié)果表明基于機器學(xué)習(xí)方法的網(wǎng)絡(luò)流量分類可以避免傳統(tǒng)