基于神经网络的网络流量分类方法研究

论文摘要

为了更好地满足用户对各类Internet业务服务质量越来越精细的要求,流量分类是实现有效网络管理的重要环节之一。传统的流量分类方法如基于端口号匹配、特征字段识别的方法,存在准确率低、应用范围受限等问题,已不能很好的满足网络管理的需求,研究新的流量分类方法具有重要的现实意义。本文针对不同的待分类流量样本和不同的应用场合,引入神经网络方法,提出基于神经网络的流量分类方法,研究的主要内容为:引入了检测精度高的有监督的误差反向传播算法（Back-Propagation Algorithm,BP算法）。由于标准BP算法在分类过程中会出现网络收敛速度缓慢,易陷入局部极小值的问题,本文提出了GA-LM网络流量分类方法。该方法采用Levenberg-Marquardt算法（L-M算法）改进BP网络学习方法,并用遗传算法优化网络初始权值和阈值。对已标记的流量数据进行仿真实验,结果表明该方法的网络收敛速度较快,分类性能较高,适合用于流量管理和流量计费中。改进了自组织、自适应性强的无监督的自组织映射（Self -Organizing Mapping,SOM）方法。为了提高无监督聚类算法检测精度,本文提出采用有监督的SOM（Self-SOM,SSOM）进行流量分类,理论和实验证明该方法的分类准确率高于传统的SOM方法,并可根据分类结果方便地分析网络应用类型。但有监督的算法要求训练数据集标记类型,流量样本高度非线性,又引入核的学习思想,提出一种基于核函数的SOM（Kernel-SOM,KSOM）的网络流量分类方法。仿真实验结果表明,该方法的输出映射图性能优于SOM,能识别未知应用类型的流量样本,可以得到较高的分类准确率,适合用于对新的网络应用类型的研究中。基于以上分类算法的分析与改进,本文实现了基于KSOM的网络流量分类模型。该模型具有在线捕获网络数据包,离线形成流量,并采用本文提出的KSOM方法分类的功能。在真实网络环境中经过测试,表明该模型分类性能良好,输出结果直观,易于分析。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 网络流量分类方法研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 基于端口号匹配的分类方法
• 1.2.2 基于特征字段识别的分类方法
• 1.2.3 基于传输层行为的分类方法
• 1.2.4 基于流统计特征的分类方法
• 1.2.5 流量分类方法比较
• 1.3 论文的研究内容
• 1.4 论文的组织结构
• 第二章 基于流统计特征的网络流量分类方法
• 2.1 网络流量分类模型
• 2.2 流量分类方法
• 2.2.1 贝叶斯方法
• 2.2.2 支持向量机
• 2.2.3 C4.5
• 2.2.4 K-means
• 2.2.5 其他分类方法
• 2.3 基于神经网络的流量分类方法
• 2.3.1 神经网络方法
• 2.3.2 神经网络方法特点
• 2.3.3 用于流量分类的神经网络方法
• 2.4 本章小结
• 第三章 GA-LM 网络流量分类方法
• 3.1 BP 算法
• 3.1.1 标准BP 算法
• 3.1.2 BP 算法特点
• 3.2 基于遗传算法的LM 方法
• 3.2.1 LM 算法
• 3.2.2 遗传算法
• 3.2.3 GA-LM 流量分类方法
• 3.3 GA-LM 流量分类方法的实现
• 3.3.1 实验环境
• 3.3.2 仿真结果与分析
• 3.4 本章小结
• 第四章 改进的 SOM 网络流量分类方法
• 4.1 自组织映射方法
• 4.1.1 SOM 网络描述
• 4.1.2 SOM 网络学习算法
• 4.1.3 SOM 网络性能评价指标
• 4.2 基于有监督的SOM 网络流量方法
• 4.2.1 有监督的SOM 算法描述
• 4.2.2 SSOM 网络流分类方法实现
• 4.2.3 仿真结果与分析
• 4.3 基于核函数的SOM 网络流量分类方法
• 4.3.1 基于核的SOM 方法
• 4.3.2 仿真实验环境
• 4.3.3 实验结果分析
• 4.4 本章小结
• 第五章 基于 KSOM 的网络流量分类模型
• 5.1 总体设计
• 5.1.1 设计思想
• 5.1.2 整体结构
• 5.2 详细设计
• 5.2.1 数据库存取模块
• 5.2.2 数据包捕获模块
• 5.2.3 流样本形成模块
• 5.2.4 流量分类模块
• 5.2.5 分类结果输出模块
• 5.3 模型分析
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 作者在攻读硕士期间主要研究成果