基于流記錄的網(wǎng)絡(luò)流量識(shí)別關(guān)鍵技術(shù)研究.pdf

1、流量識(shí)別對(duì)互聯(lián)網(wǎng)的網(wǎng)絡(luò)安全和網(wǎng)絡(luò)管理領(lǐng)域具有重要意義。隨著新的網(wǎng)絡(luò)應(yīng)用的出現(xiàn)和網(wǎng)絡(luò)應(yīng)用技術(shù)的不斷的發(fā)展，傳統(tǒng)的識(shí)別方法的局限性日益體現(xiàn)，端口識(shí)別由于P2P等應(yīng)用對(duì)端口的使用方式而失去了自身的優(yōu)勢(shì)，DPI技術(shù)雖然可以有效的識(shí)別網(wǎng)絡(luò)流量，但是無法處理加密的流量?；跈C(jī)器學(xué)習(xí)的識(shí)別方法可以有效地改善這兩種技術(shù)存在的缺陷，而面對(duì)眾多這類算法，如何從中選擇或者加以改進(jìn)以適合特定實(shí)際流量環(huán)境仍是該領(lǐng)域未能完全解決的問題。另外目前抽樣技術(shù)已經(jīng)廣泛用于

2、高速的網(wǎng)絡(luò)測(cè)量和網(wǎng)絡(luò)管理中，在抽樣的網(wǎng)絡(luò)環(huán)境下對(duì)于基于流的特征屬性的影響以及測(cè)度之間的相關(guān)性的影響也是該領(lǐng)域目前的一個(gè)研究熱點(diǎn)。本文的研究工作圍繞以上目標(biāo)展開，通過建立標(biāo)準(zhǔn)數(shù)據(jù)集，研究基于流記錄的流量識(shí)別方法。具體的研究工作包括以下幾個(gè)方面:
　　1、屬性選擇算法對(duì)網(wǎng)絡(luò)流量識(shí)別的影響:在目前基于流記錄的網(wǎng)絡(luò)流量識(shí)別中，測(cè)度屬性的選取對(duì)其尤為重要，由于每個(gè)測(cè)度屬性都有很高的計(jì)算復(fù)雜度及空間復(fù)雜度，這樣就對(duì)在線流量識(shí)別提出挑戰(zhàn)，而屬性

3、選擇算法能依據(jù)一定的評(píng)估策略選擇出更能區(qū)分流量類別的屬性，通過降低屬性的維度來降低其計(jì)算復(fù)雜度和空間復(fù)雜度，并提高分類和識(shí)別的正確率，本文分別提出基于類均值向量的FBRI屬性選擇算法和流區(qū)分信息屬性度的MSAS屬性選擇算法，并和傳統(tǒng)的FCBF算法進(jìn)行了比較，實(shí)驗(yàn)表明本文所提出的屬性選擇算法能更好的區(qū)分行為測(cè)度屬性和類屬性之間的相關(guān)性。
　　2、抽樣對(duì)網(wǎng)絡(luò)流量識(shí)別的影響:在目前的網(wǎng)絡(luò)管理中普遍采用報(bào)文抽樣作為一種手段來降低測(cè)量的高負(fù)

4、載以及測(cè)量的數(shù)據(jù)量。因此把目前的流量識(shí)別技術(shù)應(yīng)用到帶有抽樣機(jī)制的網(wǎng)絡(luò)管理系統(tǒng)中，勢(shì)必要分析抽樣對(duì)流量識(shí)別的影響以便于更好的適應(yīng)系統(tǒng)的要求，鑒于此，本文分別對(duì)三種常見的抽樣方法對(duì)流行為特征測(cè)度的相關(guān)性影響進(jìn)行了實(shí)驗(yàn)分析，并通過對(duì)常見識(shí)別算法的結(jié)果分析，考察抽樣對(duì)流量識(shí)別的影響。
　　3、基于有監(jiān)督的識(shí)別算法:目前大部分研究仍采用有監(jiān)督流量識(shí)別方法對(duì)流量進(jìn)行識(shí)別，然而還存在屬性計(jì)算復(fù)雜度高，識(shí)別精度較低等不足，本文為提高識(shí)別精度提出一

5、種基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)方法(PCA BP)，該方法通過在BP神經(jīng)網(wǎng)絡(luò)前段采用主成分分析方法對(duì)高維屬性進(jìn)行降維，構(gòu)建最佳的主成分，并作為BP神經(jīng)網(wǎng)絡(luò)新的輸入。實(shí)驗(yàn)結(jié)果表明通過前置PCA能改善BP神經(jīng)網(wǎng)絡(luò)的識(shí)別精度，提高識(shí)別效率。
　　4、基于無監(jiān)督的聚類算法:隨著新的網(wǎng)絡(luò)應(yīng)用不斷產(chǎn)生，例如P2P應(yīng)用，這些應(yīng)用由于屬于沒有標(biāo)記的樣本，因此無法采用有監(jiān)督的機(jī)器學(xué)習(xí)方法，對(duì)標(biāo)準(zhǔn)樣本集進(jìn)行訓(xùn)練，進(jìn)而產(chǎn)生相應(yīng)的分類器對(duì)流量進(jìn)行識(shí)別，因此為了

6、解決對(duì)新的網(wǎng)絡(luò)應(yīng)用的識(shí)別問題，本文提出一種基于改進(jìn)的KMEANS的聚類的流量識(shí)別方法，該方法通過把初次聚類的結(jié)果進(jìn)行模擬退火處理，從而避免了由于K參數(shù)選取所造成聚類結(jié)果的盲目性，改善了聚類算法本身對(duì)于流量的聚類結(jié)果的正確性。
　　5、多分類器算法模型:目前單分類器在識(shí)別精度上已經(jīng)進(jìn)入一個(gè)瓶頸，不同的分類器有一定的偏好性，如果能夠充分利用各分類器的優(yōu)勢(shì)，這樣將對(duì)識(shí)別在性能方面得到一定的提升，因此本文提出多分類器算法模型，采用證據(jù)理論