基于小波核極限學習機的網(wǎng)絡流量分類.pdf_第1頁
已閱讀1頁,還剩91頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、近年來,隨著互聯(lián)網(wǎng)的飛速發(fā)展,網(wǎng)絡的規(guī)模在持續(xù)的擴大,各種新型的網(wǎng)絡應用日漸增多,網(wǎng)絡組成也變得尤為復雜。網(wǎng)絡流量分類作為增強網(wǎng)絡可控性的基礎技術之一,對于網(wǎng)絡安全管理和網(wǎng)絡結構改善有著很大幫助。網(wǎng)絡流量分類技術的發(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)絡應用的快速發(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、段基于機器學習的識別方法隨之發(fā)展起來。
  本文引入極限學習機(Extreme Learning Machine,ELM)的方法來進行流量分類,極限學習機是一種只包含唯一隱含層的前向神經(jīng)網(wǎng)絡結構,傳統(tǒng)的多層前向神經(jīng)網(wǎng)絡是基于梯度下降來實現(xiàn)的,因而在不斷的迭代過程中,自然而然的增加了學習的時間和功耗,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習時間,提高了分類的準確性。為了解決算法過程中隨機產(chǎn)生的輸入層權值和隱

3、層節(jié)點偏置不是最優(yōu)解的缺點,采用核極限學習機(Kernel ELM,KELM)。同時考慮到網(wǎng)絡流量自身具有長相似性等的特點,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進行分解,從而提高整體算法的分類準確率,最終構造出小波核極限學習機(WK-ELM)。
  通過構造小波核極限學習機(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)上進行實驗和分析,從實驗結果來看,本文所構造的分類方法在流量分類上取得了較高的

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論