網(wǎng)絡(luò)流量分類國(guó)內(nèi)外研究現(xiàn)狀

1、網(wǎng)絡(luò)流量分類國(guó)內(nèi)外研究現(xiàn)狀 網(wǎng)絡(luò)流量分類國(guó)內(nèi)外研究現(xiàn)狀摘 要 近年來(lái)，隨著互聯(lián)網(wǎng)的迅猛發(fā)展，大數(shù)據(jù)（The Big Data）時(shí)代已經(jīng)到來(lái)，越來(lái)越多的新型網(wǎng)絡(luò)應(yīng)用逐漸興起，網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大，網(wǎng)絡(luò)組成也越來(lái)越復(fù)雜。網(wǎng)絡(luò)流量分類技術(shù)作為增強(qiáng)網(wǎng)絡(luò)可控性的基礎(chǔ)技術(shù)之一，不僅可以幫助網(wǎng)絡(luò)運(yùn)營(yíng)商提供更好的服務(wù)質(zhì)量，而且能夠?qū)W(wǎng)絡(luò)進(jìn)行有效的監(jiān)督管理，確保網(wǎng)絡(luò)安全。本文介紹了國(guó)內(nèi)外關(guān)于網(wǎng)絡(luò)流量分類方法以及算法的研究現(xiàn)狀， 據(jù)此以望給相關(guān)領(lǐng)域的人提供

2、一定的參考和幫助。 關(guān)鍵詞 關(guān)鍵詞 大數(shù)據(jù) The Big Data 網(wǎng)絡(luò)流量分類 國(guó)內(nèi)外研究現(xiàn)狀鄧職潔，王勇，陶曉玲[4]三人針對(duì)傳統(tǒng)網(wǎng)絡(luò)流量方法不能很好地滿足高速網(wǎng) 絡(luò)流量分類的實(shí)時(shí)性和準(zhǔn)確性要求，提出了一種基于 FPGA 二次加權(quán)樸素貝葉斯網(wǎng)絡(luò)流量分類方法。提高分類精度的同時(shí)具有更好的實(shí)時(shí)性。張立仿，張喜平，柴旭清等人[5]針對(duì)傳統(tǒng)的基于傳輸層端口和基于特征碼的流量分類技術(shù)準(zhǔn)確率低、應(yīng)用范圍有限等缺點(diǎn)，提出了使用樹(shù)擴(kuò)展

3、的貝葉斯分類器的方法，該方法利用網(wǎng)絡(luò)流量的統(tǒng)計(jì)屬性和基于統(tǒng)計(jì)理論的貝葉斯方法構(gòu) 建分類模型，并利用該模型對(duì)未知流量進(jìn)行分類。佘鋒，王小玲[14]提出了基于半監(jiān)督學(xué)習(xí)的網(wǎng)絡(luò)流量分類方法，傳統(tǒng)的基于NB 分類的監(jiān)督學(xué)習(xí)方法用少量已標(biāo)記的例子產(chǎn)生的分類器，往往不能歸納以前沒(méi)出現(xiàn)的流類型，因此提出了一個(gè)不用于傳統(tǒng)半監(jiān)督學(xué)習(xí)應(yīng)用的結(jié)合監(jiān)督和 非監(jiān)督的方法。2.神經(jīng)網(wǎng)絡(luò)胡婷[6]在基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量分類方法中引入了檢測(cè)精度高的有監(jiān)督的誤差方向傳

4、播算法（Back-Propagation Algorithm，BP 算法）改進(jìn)了自組織、自適應(yīng)性強(qiáng)的無(wú)監(jiān)督的自組織映射（Self-OrganizingMapping，SOM）方法。胡婷，王勇，陶曉玲[12]提出了基于 SSOM 的網(wǎng)絡(luò)流量分類方法，自組織映射網(wǎng)絡(luò) SSOM（Supervised self-OrganizingMaps）是一種人工神經(jīng)網(wǎng)絡(luò)方法能使輸出層中獲取神經(jīng)元的選擇更容易，各類別之間劃分更清晰，從而提高分類性能。3.支

5、持向量機(jī)王濤，程良倫[7]提出了基于快速 SVM 的大規(guī)模網(wǎng)絡(luò)流量分類方法，利用比壓縮算法對(duì)初始訓(xùn)練樣本集進(jìn)行聚合與壓縮，建立具有權(quán)重信息的新樣本集，在損失盡量少原始樣本信息的前提下縮減樣本集規(guī)模，進(jìn)一步利用基于權(quán)重的SVM 算法訓(xùn)練流量分類器。歐陽(yáng)廣，李倩倩，滿君豐[9]提出了基于 DDAG-SVM（Decision Directed Acyclic Graph）的網(wǎng)絡(luò)流量分類方法顧成杰，張順頤[15]針對(duì)網(wǎng)絡(luò)環(huán)境中存在大量噪聲和網(wǎng)

6、絡(luò)流量中存在過(guò)多的冗余特征屬性，提出了一種具有特征有效度的模糊支持向量機(jī)（FW-FSVM） ， 并將 FW-FSVM 應(yīng)用于網(wǎng)絡(luò)流量分類領(lǐng)域?；趩我坏乃惴ɑ蛘吣硞€(gè)理論有時(shí)候無(wú)法滿足復(fù)雜的網(wǎng)絡(luò)流量分類要求因此，也有些學(xué)者根據(jù)兩個(gè)或者多個(gè)算法或者理論結(jié)合起來(lái)提出不同的網(wǎng)絡(luò)流量 分類方法如李國(guó)平，王勇，陶曉玲[10]提出了基于 DPI（deep packet inspection）和機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流量分類方法。邱婧，夏靖波，柏駿[13]

7、提出了基于 SVM 決策樹(shù)的網(wǎng)絡(luò)流量分類方法除了上述網(wǎng)絡(luò)流量分類方法的研究與發(fā)現(xiàn)，還有一些其他學(xué)者通過(guò)不同的視角提出新的網(wǎng)絡(luò)流量分類方法。如胡婷，王勇，陶曉玲[8]提出了基于 BP 算法 的網(wǎng)絡(luò)流量分類方法（GA-LM）剌婷婷，師軍[11]出了基于 GA-CFS（genetic algoriyhm）和 AdaBoost （adaptive bossting）算法的網(wǎng)絡(luò)流量分類方法。丁要軍，蔡皖東[16]針對(duì)互聯(lián)網(wǎng)流量標(biāo)注困難以及單個(gè)聚