基于分类算法与聚类算法流量识别系统的研究的中期报告.docxVIP

基于分类算法与聚类算法流量识别系统的研究的中期报告 一、研究背景与意义 互联网的爆发性增长和移动互联网的普及，使得网络流量的规模急剧增大。大规模的网民和网络服务给现有的网络基础设施和管理带来了巨大的挑战，如网络带宽的分配效益低下，勒索软件等恶意流量对网络资源的侵占和破坏等问题。因此，建立一种高效的流量识别系统来保证网络的安全性和流量利用率成为了亟待解决的问题。 本研究旨在利用分类算法和聚类算法，基于对网络流量的有效特征提取和流量聚类分析，建立一种高效的流量识别系统来提高网络流量的利用效率、预防恶意流量和增强网络安全性。 二、研究进展 1. 研究方法选择 本研究采用监督学习和无监督学习相结合的方法，以分类算法和聚类算法为主要手段，对网络流量的特征进行有效提取，利用K-means、DBSCAN、层次聚类等算法对流量进行聚类分析，从而实现流量的有效识别和分类。 2. 数据集选择 本研究采用了NSL-KDD数据集来验证分类算法的有效性和流量分类效果。该数据集是美国大规模模拟环境中的一个网络侵入检测数据集，包含了22种不同的网络攻击类型和正常流量，数据集规模相对较大，可用于测试分类算法的性能。 3. 研究内容和进展 a. 特征提取 在流量特征提取方面，本研究采用了常见的17种特征参数，包括协议、源IP地址、源端口、目标IP地址、目标端口、TCP/UDP标志位、序号、确认号、数据长度、目标主机