發(fā)布時(shí)間：2024-05-13 06:46

　　流量分類是網(wǎng)絡(luò)管理中的一項(xiàng)基本任務(wù),它將應(yīng)用程序與其生成的數(shù)據(jù)包或流相關(guān)聯(lián)。它有助于在網(wǎng)絡(luò)中對資源的使用進(jìn)行分配、控制和監(jiān)視,并在支持服務(wù)質(zhì)量(Qo S)的網(wǎng)絡(luò)和網(wǎng)絡(luò)安全領(lǐng)域中發(fā)揮重要作用。但隨著互聯(lián)網(wǎng)的快速發(fā)展,新的網(wǎng)絡(luò)應(yīng)用程序?qū)映霾桓F,針對上述情況,研究者們提出了多種不同的流量分類研究方法。網(wǎng)絡(luò)流量分類的方法概括起來有以下三種方式:基于端口、基于載荷以及基于機(jī)器學(xué)習(xí)。目前基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流量分類技術(shù)正在被廣泛地使用,但是往往遇到以下問題:網(wǎng)絡(luò)流量類不平衡問題以及難以適應(yīng)動(dòng)態(tài)的實(shí)時(shí)網(wǎng)絡(luò)流量。為此,本文提出了以下解決方法:首先,大量的機(jī)器學(xué)習(xí)方案沒有考慮網(wǎng)絡(luò)流量類不均衡問題,這通常會(huì)導(dǎo)致分類器只能正確分類出多數(shù)流量類,少數(shù)流量類被錯(cuò)誤分類而造成性能下降,本文經(jīng)過大量研究,使用流量的相關(guān)性以及使用距離參數(shù)來優(yōu)化KNN算法決策邊界,提出了一種基于網(wǎng)絡(luò)流相關(guān)性和優(yōu)化KNN算法的網(wǎng)絡(luò)流量分類方法(KNN-C)。該方法能夠在解決網(wǎng)絡(luò)流量類不均衡問題同時(shí)實(shí)現(xiàn)高精度分類;其次,本文提出了自學(xué)習(xí)網(wǎng)絡(luò)流量分類方法(SNTC)。由于網(wǎng)絡(luò)的動(dòng)態(tài)性,基于機(jī)器學(xué)習(xí)的分類很快就會(huì)過時(shí)。這意味著每當(dāng)網(wǎng)絡(luò)上出現(xiàn)新的...

【文章頁數(shù)】：56 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖3-3六類流量對下五種

哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文-20-到優(yōu)化后的分類結(jié)果。為了進(jìn)行性能評(píng)估，在使用的數(shù)據(jù)集上進(jìn)行了大量的實(shí)驗(yàn)。本文給出了超過100次運(yùn)行的平均性能。將本文流量分類方案與四種最先進(jìn)的流量分類方法：KNN、C4.5、BN和NB進(jìn)行了比較。首先我們按照表3-1中所示，按照流數(shù)目的多少，....

圖3-3六類流量對下五種流量分類方法的F值比較

哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文-20-到優(yōu)化后的分類結(jié)果。為了進(jìn)行性能評(píng)估，在使用的數(shù)據(jù)集上進(jìn)行了大量的實(shí)驗(yàn)。本文給出了超過100次運(yùn)行的平均性能。將本文流量分類方案與四種最先進(jìn)的流量分類方法：KNN、C4.5、BN和NB進(jìn)行了比較。首先我們按照表3-1中所示，按照流數(shù)目的多少，....

圖3-4六類流量對下五種流量

哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文-21-以上�？梢宰⒁獾�，KNN-C的優(yōu)越性是由于對于不平衡數(shù)據(jù)處理的優(yōu)秀功能。之前所述，本文使用了兩種方法來應(yīng)用于不平衡流量的分類。第一步是移動(dòng)決策邊界，第二步借鑒了流相關(guān)方法的思想，大大提高了小類的分類性能。接下來，進(jìn)一步研究為什么KNN-C在小....

圖3-4六類流量對下五種流量分類方案的精確率和召回率

哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文-21-以上�？梢宰⒁獾�，KNN-C的優(yōu)越性是由于對于不平衡數(shù)據(jù)處理的優(yōu)秀功能。之前所述，本文使用了兩種方法來應(yīng)用于不平衡流量的分類。第一步是移動(dòng)決策邊界，第二步借鑒了流相關(guān)方法的思想，大大提高了小類的分類性能。接下來，進(jìn)一步研究為什么KNN-C在小....

本文編號(hào)：3972539