基于小波核極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)流量分類.pdf

1、近年來，隨著互聯(lián)網(wǎng)的飛速發(fā)展，網(wǎng)絡(luò)的規(guī)模在持續(xù)的擴(kuò)大，各種新型的網(wǎng)絡(luò)應(yīng)用日漸增多，網(wǎng)絡(luò)組成也變得尤為復(fù)雜。網(wǎng)絡(luò)流量分類作為增強(qiáng)網(wǎng)絡(luò)可控性的基礎(chǔ)技術(shù)之一，對于網(wǎng)絡(luò)安全管理和網(wǎng)絡(luò)結(jié)構(gòu)改善有著很大幫助。網(wǎng)絡(luò)流量分類技術(shù)的發(fā)展大致可以歸納為三個階段:第一階段是基于端口號匹配的識別方法，但隨著網(wǎng)絡(luò)應(yīng)用的快速發(fā)展，該方法的分類效果逐漸下降;第二階段是基于有效載荷的分類方法，考慮到該方法資源消耗大等的弊端，研究者漸漸減少了對該種方法的使用。最終第三階

2、段基于機(jī)器學(xué)習(xí)的識別方法隨之發(fā)展起來。
　　本文引入極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）的方法來進(jìn)行流量分類，極限學(xué)習(xí)機(jī)是一種只包含唯一隱含層的前向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，傳統(tǒng)的多層前向神經(jīng)網(wǎng)絡(luò)是基于梯度下降來實(shí)現(xiàn)的，因而在不斷的迭代過程中，自然而然的增加了學(xué)習(xí)的時間和功耗，而且還經(jīng)常會困于局部最優(yōu)之中。與之相比，ELM很大程度的減少了學(xué)習(xí)時間，提高了分類的準(zhǔn)確性。為了解決算法過程中隨機(jī)產(chǎn)生的輸入層權(quán)值和隱

3、層節(jié)點(diǎn)偏置不是最優(yōu)解的缺點(diǎn)，采用核極限學(xué)習(xí)機(jī)(Kernel ELM，KELM)。同時考慮到網(wǎng)絡(luò)流量自身具有長相似性等的特點(diǎn)，引入小波函數(shù)，利用小波函數(shù)的變換將這種不利于分類的特點(diǎn)進(jìn)行分解，從而提高整體算法的分類準(zhǔn)確率，最終構(gòu)造出小波核極限學(xué)習(xí)機(jī)(WK-ELM)。
　　通過構(gòu)造小波核極限學(xué)習(xí)機(jī)(WK-ELM)流量分類模型，并在公開數(shù)據(jù)集和本地采集的流量數(shù)據(jù)上進(jìn)行實(shí)驗(yàn)和分析，從實(shí)驗(yàn)結(jié)果來看，本文所構(gòu)造的分類方法在流量分類上取得了較高的