深度学习模型在网络流量分类中的应用研究

摘要

实时网络流分类在互联网服务提供商(ISP)和其设备供应商解决复杂网络管理问题中有非常重要的应用。关于这项问题已经有许多研究，并提出了许多不同种类的方法。通常部署的网络流量分类技术基于每个数据包的载荷、端口、和网络流量的统计特征。目前，基于网络流量统计特征的机器学习分类方法的应用较为广泛，但是基于特征的流分类方法的难点在于如何从网络流中找出这些的特征。特征选择的过程需要研究者具有丰富的经验，同时也会消耗大量的时间。因此网络流分类研究中对网络流量特征的学习和选取是非常重要的。
　　深度学习模型今年来被广泛应用于各个领域，模型可以自动的从输入数据中学习特征。它能通过简单、非线性的转换得到输入数据更高层次的、更抽象的表示。在分类研究中，数据的高级表示能强化模型对输入数据区分能力，降低其他因素的干扰。鉴于深度学习模型的以上特点，深度学习模型引入到网络流量分类研究中。
　　首先，提出了一种基于卷积神经网络的网络流量分类方法。将每条网络流量的载荷转换成一幅二维灰度图像，将生成的图像作为模型的输入。将网络流分类问题转换成图像分类问题。通过对图像进行分类达到网络流分类的目的。
　　其次，提出基于一维卷积神经网络的网络流分类方法，该方法从自然语言处理研究中获得灵感。网络流量的载荷数据是一种按层次结构组织的连续的一维字节流。载荷中的字节、数据包、会话与自然语言处理领域中的字符、单词、句子刚好一一对应。因此，可以将网络流量的载荷看作一个个句子，然后将这些“句子”作为输入，经模型分类处理，完成对网络流量的分类。
　　本文将深度学习模型应用到网络流量分类研究中，模型自动从流量数据中学习相关特征。可以将研究者从繁重的特征学习和特征选择工作中解放出来，相比传统方法在分类准确率方面有一定的优势。

目录

声明

摘要

第1章 绪论

1．1 课题研究的背景和意义

1．2 课题研究现状

1．2．1 网络流量分类技术的研究现状

1．2．2 深度学习研究现状

1．3 课题的来源及研究内容

1．3．2 课题的主要研究内容

1．4 论文组织结构及内容安排

第2章 深度学习、实验平台及评价方法

2．1 深度学习

2．1．1 卷积神经网络

2．1．2 Softmax

2．1．3 深度学习的训练过程

2．1．4 深度学习框架

2．2 实验数据集

2．3 实验平台

2．4 评价指标

2．5 本章小结

第3章 基于CNN的网络流量分类方法

3．1 基于CNN的网络流量分类方法

3．1．2 模型结构设计

3．1．3 数据准备

3．1．4 识别流程

3．2 实验

3．2．2 实验结果及分析

3．3 本章小结

第4章 基于1D-CNN的网络流量分类方法

4．1 相关工作

4．2 基于1D-CNN的网络流量识别方法

4．2．2 Word2Vec原理

4．2．3 Dropout

4．2．5 工作流程

4．3 实验

4．3．1 实验数据

4．3．2 实验结果及分析

4．4 本章小结

结论

参考文献

攻读硕士学位期间所发表的学术论文

致谢