基于神经网络的网络流量分类方法研究-计算机应用技术专业论文.docxVIP

万方数据 万方数据 独创性（或创新性）声明 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究 成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包 含其他人已经发表或撰写过的研究成果；也不包含为获得桂林电子科技大学或其它 教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何 贡献均已在论文中做了明确的说明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 本人签名： 日期： 关于论文使用授权的说明 本人完全了解桂林电子科技大学有关保留和使用学位论文的规定，即：研究生 在校攻读学位期间论文工作的知识产权单位属桂林电子科技大学。本人保证毕业离 校后，发表论文或使用论文工作成果时署名单位仍然为桂林电子科技大学。学校有 权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分 内容，可以允许采用影印、缩印或其它复制手段保存论文。（保密的论文在解密后 遵守此规定） 本学位论文属于保密在 年解密后适用本授权书。 本人签名： 日期： 导师签名： 日期： 摘 摘 要 万方数据 万方数据 摘 要 为了更好地满足用户对各类 Internet 业务服务质量越来越精细的要求，流量分 类是实现有效网络管理的重要环节之一。传统的流量分类方法如基于端口号匹配、 特征字段识别的方法，存在准确率低、应用范围受限等问题，已不能很好的满足网 络管理的需求，研究新的流量分类方法具有重要的现实意义。本文针对不同的待分 类流量样本和不同的应用场合，引入神经网络方法，提出基于神经网络的流量分类 方法，研究的主要内容为： 引入了检测精度高的有监督的误差反向传播算法(Back-Propagation Algorithm， BP 算法)。由于标准 BP 算法在分类过程中会出现网络收敛速度缓慢，易陷入局部 极小值的问题，本文提出了 GA-LM 网络流量分类方法。该方法采用 Levenberg-Marquardt 算法(L-M 算法)改进 BP 网络学习方法，并用遗传算法优化网 络初始权值和阈值。对已标记的流量数据进行仿真实验，结果表明该方法的网络收 敛速度较快，分类性能较高，适合用于流量管理和流量计费中。 改进了自组织、自适应性强的无监督的自组织映射(Self -Organizing Mapping， SOM) 方 法 。 为 了 提 高 无 监 督 聚 类 算 法 检 测 精 度 ， 本 文 提 出 采 用 有 监 督 的 SOM(Self-SOM，SSOM)进行流量分类，理论和实验证明该方法的分类准确率高于 传统的 SOM 方法，并可根据分类结果方便地分析网络应用类型。但有监督的算法 要求训练数据集标记类型，流量样本高度非线性，又引入核的学习思想，提出一种 基于核函数的 SOM(Kernel-SOM，KSOM)的网络流量分类方法。仿真实验结果表明， 该方法的输出映射图性能优于 SOM，能识别未知应用类型的流量样本，可以得到较 高的分类准确率，适合用于对新的网络应用类型的研究中。 基于以上分类算法的分析与改进，本文实现了基于 KSOM 的网络流量分类模 型。该模型具有在线捕获网络数据包，离线形成流量，并采用本文提出的 KSOM 方 法分类的功能。在真实网络环境中经过测试，表明该模型分类性能良好，输出结果 直观，易于分析。 关键词：流量分类；神经网络； Levenberg-Marquardt 算法；遗传算法；自组织映 射方法；有监督学习；核函数 I – Abst Abstract Abstract In order to better satisfy more and more fine demand of users for various Internet service quality, the traffic classification is an important link of the network management process. There is the current situation that the traditional classification methods existing problems such as low accuracy and limited application region could not meet the pragmatic demands of network manager, which the methods are based on default matched port numbers and signatures analysis. Studying new traffic classificat