基于聚類分析的電力通信網絡流量分類算法研究.pdf

1、本學位論文來自于國家電網公司“電力通信網絡智能管道多維感知技術研究及應用”科技項目，研究目標為面向業(yè)務的流量識別與感知，主要內容為基于期望最大化(Expectation Maximization，EM)算法的網絡流量識別算法研究，將EM算法引入流量識別中改善分類性能。
　　針對EM算法易受初始化影響的缺點，提出一種基于Z限制矩陣和Tsallis熵的EM改進算法。此算法在分析了通用組件模型和獨立混合模型這兩種混合模型的優(yōu)缺點，結合二

2、者的特性構建出一個限制矩陣Z，利用此限制矩陣Z和基于Tsallis熵的q參數確定性退火期望最大化(q-DAEM，q-Deterministic Annealing Expectation Maximization)算法構建出新的算法，在Moore采集的網絡集上驗證實際的流量識別效果，結果表明此算法在增加部分計算量同時取得了比EM，DAEM都要好的分類效果。
　　針對EM算法構建的高斯混合模型易受離群值影響的特點，提出一種基于中值位

3、置和基于秩的散布陣估計的空間EM算法?；跈E圓分布中均值和協(xié)方差均值崩潰點低，易受離群值影響的問題，將均值與分布替換成空間中值和秩協(xié)方差矩陣，在Moore采集的網絡集上驗證實際的流量識別效果，結果表明此算法對于識別率較低的ATTACK流量有明顯的識別效果。
　　全文共分為五章，主要內容為:
　　第一章簡介課題背景及研究意義，闡述流量識別的基本原理，分析幾種常見的流量識別技術，著重介紹了用于流量識別的機器學習，同時給出論文的章

4、節(jié)安排。
　　第二章概述EM算法，分析EM算法中的不足之處，并介紹幾種已有的EM改進算法。
　　第三章提出一種新的基于Z限制矩陣和Tsallis熵的EM改進算法，并在Moore集上采用精細指標考察其實際的流量識別效果。
　　第四章提出一種基于中值位置和秩散布陣估計得新的空間EM改進算法，并在Moore集上基于ATTACK業(yè)務驗證算法的穩(wěn)健性，對離群值的不敏感性。
　　最后一章總結本學位論文的研究工作，分析不足之處