基于特征选取的网络游戏与视频业务分类研究

摘要

近年来，随着互联网的迅猛发展，网络规模日渐增长，不同类型的网络多媒体应用也越来越丰富。其中，网络游戏与网络视频由于用户规模较多，其受关注程度也随之提高。如何准确高效地识别不同类型的网络游戏和网络视频流量，对于提高服务质量和用户体验具有十分重要的现实意义。
　　本文选取了目前主流的几种网络游戏和常见的网络视频类型数据作为研究对象，选取的网络游戏包括DOTA、DOTA2、LOL、炉石传说、梦幻西游和逆战，选取的网络视频类型有在线标清视频、在线高清视频、在线直播视频和视频下载。在本文的网络流量分类研究中，采用特征选取的方法来去除不相关的特征或者冗余的特征，以达到提高分类准确度的目的。
　　本文提出了一种新的SVM（Support Vector Machine）级联分类器：在每一级的SVM分类器中，通过综合考虑信息增益率和皮尔森相关系数进行特征选取的方法，为某一类型的数据选取出能有效区分该类型数据与其他类型数据的最佳特征组合，并以选取出的最佳特征组合准确识别出该类型数据。将本文提出的方法用于网络游戏与网络视频流量的分类研究中，通过多次的实验可以验证，本文提出的方法可以有效地提高分类正确率。
　　为了验证网络游戏与网络视频短序列流实时分类的可能性，本文提取了不同包数目下网络游戏与网络视频数据的短序列流。通过分类实验发现，当包数目较少时即可取得较高的分类正确率，初步验证了网络游戏与网络视频短序列流实时分类的可能性。
　　本文还对不同时间段内获取的6种主流网络游戏数据进行了分类实验。通过分类实验验证，在长时间尺度下，不同网络游戏的不同流统计特征的稳定性是不一致的。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景

1.2国内外研究现状

1.3研究内容和各章安排

第二章 基于机器学习的流量分类相关理论介绍

2.1统计数据无量纲化处理

2.2常见的相关性指标

2.3连续型数据离散化处理

2.4网络流量分类评价指标

2.5 SVM简介

2.6本章小结

第三章 基于特征选取的SVM级联分类器

3.1皮尔森相关系数适用条件判断

3.2基于特征选取的SVM级联分类器设计

3.3实验分析

3.4计算复杂度分析

3.5本章小结

第四章 网络游戏与网络视频短序列流实时分类

4.1基本思想

4.2实验分析

4.3本章小结

第五章 长时间尺度下网络游戏流统计特征的稳定性

5.1基本思想

5.2实验分析

5.3本章小结

第六章 总结与展望

6.1总结

6.2展望

参考文献

附录1 攻读硕士学位期间撰写的论文

附录2 攻读硕士学位期间申请的专利

附录3 攻读硕士学位期间参加的科研项目

致谢