基于機器學習方法的網絡流量分類研究.pdf

1、隨著互聯網絡的日益發(fā)展和普及，網絡流量數據正以驚人的速度增長，它在給人們帶來方便的同時，也面臨著如何有效地對這些海量數據進行分析，以提高互聯網絡服務質量以及促進互聯網更快、更好的發(fā)展.這篇論文主要研究基于機器學習方法的網絡流量分類以及相關技術.包括網絡流量數據采集、特征產生、樣本標識、特征選擇，以及應用機器學習方法對網絡流進行分類等技術.
　　在基于機器學習方法的網絡流量分類研究中，網絡流量樣本，包括訓練樣本、測試樣本的獲取是非常

2、重要的一步.首先我們通過Sniffer的方法捕獲網絡報文，然后將采集到的報文按五元組進行分類為流，再結合Packet-Level和Flow_Level兩個層面上的信息，在報文屬性（大小、個數、時間、標志位）、流的屬性（時間）上做了認真的分析和研究，產生了37個網絡流量統計特征，形成了表示網絡流的特征向量.在網絡流量樣本的標識上我們結合了基于端口、基于有效載荷，協議分解等多種方法，實現了樣本的自動標識系統，標識的正確率高.
　　在特

3、征選擇方面，運用特征距離以及遺傳算法進行綜合選擇，這種方法可以有效地找到較好的遺傳算法的初始群體.從而能在較少的迭代次數當中找到較優(yōu)的特征子集，實驗結果表明提出的方法可以減少特征的數量，減少學習和分類的時間，同時還因去掉不相關或冗余特征，提高了分類的準確性.
　　在基于機器學習的分類研究中，運用了六種不同的機器學習方法，對常見的網絡流量應用類型進行了分類研究，并給出了實驗結果，實驗結果表明基于機器學習方法的網絡流量分類可以避免傳統