论文题目: 基于机器学习的网络流量分析研究
论文类型: 硕士论文
论文专业: 控制科学与工程
作者: 童行行
导师: 李崇荣
关键词: 网络流量分析,流量预测,异常检测,基于核的学习方法,基于的学习方法
文献来源: 清华大学
发表年度: 2005
论文摘要: 网络流量分析是认识、管理、优化各种网络资源的重要依据。网络流量自相似长相关、非线性特性的发现,对传统网络理论提出了挑战,使得对网络流量概率分布的精确建模变得非常困难。本文从机器学习的角度研究网络流量分析。重点研究学习算法如何根据测量所获得的数据来提高分析的性能。针对网络流量分析的特点,本文提出一个基于机器学习的网络流量分析概念模型。该模型旨在最大限度地利用测量获得的流量数据和人的监督信息,自动完成流量分析的各个任务,支持各种上层应用及对网络的性能优化。同时,模型通过主动学习,指导主动式测量的进行。对于网络流量预测,本文提出一系列基于机器学习的算法:分类模型下基于支持向量机的预测算法;分类模型和回归模型下基于Boosting的预测算法。针对流量中的非线性因素,设计了不同的弱学习算法;针对流量的自相似结构,提出了两种不同的机制;针对过匹配现象,提出自适应的权重更新机制。对于异常网络流量检测,本文提出了一个基于核主成分分析的算法及其简化版本,该算法通过刻画流量中的非线性因素,有效地提高了算法的性能。另一方面,通过设计不同的弱学习算法,将Boosting引入到异常网络流量的检测。本文从机器学习的角度研究了网络流量分析。就具体的学习算法而言,本文考察了机器学习领域两类非常具有代表性的算法:基于核的学习方法和基于Boosting的学习方法。就具体的分析任务而言,本文考察了两个在理论上和实际中都很重要而又基本的分析任务:对正常网络流量的预测和对异常网络流量的检测。针对流量的自相似、非线性的特点,本文设计提出了一系列的算法,并通过系统的实验,验证了算法的有效性。论文工作对在CERNET开展流量分析具有方法论上的指导意义。对基于流量预测的各种应用和基于异常流量检测的网络安全,具有一定的实用价值。
论文目录:
第1章 引言
1.1 课题背景和意义
1.2 流量分析的研究现状
1.2.1 不同层面的流量分析
1.2.2 面向网络流量建模的研究
1.2.3 面向具体应用的流量分析
1.2.4 主要研究机构
1.3 本论文的研究内容
1.4 章节安排
第2章 基于机器学习的网络流量分析概念模型
2.1 网络流量分析的特点
2.2 基于机器学习的流量分析概念模型
2.2.1 概念模型
2.2.2 网络流量分析中的两类学习问题
2.2.3 两类学习算法
2.3 本章小结
第3章 基于机器学习的网络流量预测算法研究
3.1 引言
3.1.1 预测问题定义
3.1.2 两种建模方式
3.2 分类模型下基于核的流量预测算法
3.3 回归模型下基于Boosting 的流量预测算法
3.3.1 算法流程
3.3.2 预处理过程
3.3.3 设计弱回归算子
3.3.4 评价样本的误差信息
3.3.5 计算回归算子的误差及其重要性
3.3.6 更新权重分布
3.3.7 算法终止准则
3.3.8 组合弱回归算子输出
3.4 分类模型下基于Boosting 的流量预测算法
3.5 实验结果及分析
3.5.1 实验设计
3.5.2 实验结果和分析
3.6 本章小结
第4章 基于机器学习的异常网络流量检测算法研究
4.1 引言
4.1.1 问题定义
4.1.2 评价指标
4.2 基于核主成分分析的异常流量检测算法
4.2.1 符号定义
4.2.2 算法流程
4.3 基于Boosting 的异常流量检测算法
4.3.1 算法流程
4.3.2 设计弱学习算法
4.3.3 评价样本的误差信息
4.3.4 算法其他细节设计
4.4 实验结果及分析
4.4.1 实验设计
4.4.2 基于核主成分分析的实验结果和分析
4.4.3 基于Boosting 的实验结果和分析
4.5 本章小结
第5章 结论
5.1 论文工作总结
5.2 可以继续的工作
参考文献
致谢及声明
个人简历、在学期间发表的学术论文与研究成果
发布时间: 2006-06-29
参考文献
- [1].基于机器学习方法的网络入侵检测技术研究[D]. 郝科伟.西安科技大学2018
- [2].基于路测数据机器学习的定位方法研究[D]. 苑鹏.杭州电子科技大学2018
- [3].An Analytical Assessment and Examination of Supervised Tree Based Classifier in Intrusion Detection System[D]. Lavocier K.Smith,Jr..湖南大学2017
- [4].基于微博内容的恶意用户识别技术研究[D]. 王亚男.北京邮电大学2018
- [5].基于大数据分析的恶意域名检测技术研究与实现[D]. 殷聪贤.北京邮电大学2018
- [6].基于机器学习的入侵检测算法研究[D]. 王淇艺.北京邮电大学2018
- [7].基于机器学习的URL攻击行为实时检测技术的研究[D]. 杨朋朋.北京邮电大学2018
- [8].入侵检测中基于机器学习的流量异常模式识别研究[D]. 付丹阳.北京邮电大学2018
- [9].基于流量的Webshell通信识别[D]. 王应军.武汉大学2018
- [10].基于机器学习的钓鱼网页检测方法研究[D]. 丁岩.新疆大学2018
相关论文
- [1].基于支持向量机的网络流量预测研究[D]. 李丽.南京理工大学2007
- [2].基于TCP/IP的网络流量分析模型的研究[D]. 贾志强.中国石油大学2007
- [3].网络流量分析与应用[D]. 杨光.吉林大学2007
- [4].分布式异构数据的统计机器学习方法研究[D]. 夏应龙.清华大学2006
- [5].基于小波变换的网络流量分析与应用[D]. 陈春晓.山东大学2007
- [6].网络流量的特性分析与预测研究[D]. 王西锋.西北大学2007
- [7].基于机器学习的分布式拒绝服务攻击检测方法研究[D]. 孙永强.国防科学技术大学2006
- [8].大规模网络流量异常分析[D]. 王海龙.国防科学技术大学2006
- [9].基于机器学习算法的文本分类系统[D]. 靳小波.西北工业大学2005
- [10].网络流量行为的测量分析与预测[D]. 魏勍颋.南昌大学2005
标签：网络流量分析论文; 流量预测论文; 异常检测论文; 基于核的学习方法论文; 基于的学习方法论文;