基于k-means和自适应谐振理论的网络流量分类方法

摘要

网络发展日新月异，精确的进行网络流量分类也变得越来越重要，因为很多应用使用随机的端口号，而且基于安全的考虑，也使用了加密的数据，传统的基于端口号或者是基于特征串的网络流量分类方法已经不在适用，越来越多的人采取了基于流量统计特征的网络流量分类方法来解决这个问题。
　　 基于流量统计特征的方法本质是机器学习问题，聚类中的k-means就是解决方法之一，这种方法的优点是无需事先标记样本，缺点是时间消耗大，而且精确度较低，在本文中，对聚类中的k-means方法提出两点改进，第一处改进是利用小波压缩来预处理数据，解决k-means方法时间消耗大的问题，第二处改进是在k-means处理数据之前采用自适应谐振理论进行初次分类，解决k-means方法精确度低的问题，文中使用在实验室中捕获到的校园网络流量进行验证，实验结果表明，数据的存储量减少，实验运行时间短，分类的精确度有显著的提高。

目录

文摘

英文文摘

图表目录

第一章 引言

1.1 课题研究背景

1.2 国内外的研究现状

1.3 本文解决的关键技术

1.4 基于k—means和自适应谐振理论的网络流量分类方法的提出和实现

1.5 本论文的安排

第二章 研究背景

2.1 网络流量分类

2.2 机器学习方法

2.2.1 基于有监督机器学习方法

2.2.2 基于无监督机器学习方法

2.3 现有的网络流量分类产品

2.4 小结

第三章 网络流量分类系统的关键技术

3.1 小波压缩

3.2 k—means算法

3.3 自适应谐振理论

3.3.1 人工神经网络

3.3.2 自适应谐振理论

3.4 小结

第四章 网络流量分类系统的设计

4.1 搭建试验环境

4.2 实验中的Trace

4.3 分流

4.4 特征提取

4.5 数据正规化

4.6 小波压缩

4.7 自适应谐振网络的设计和实现

4.7.1 自适应谐振网络的设计原则

4.7.2 自适应谐振网络的编程实现

4.8 k—means的编程实现

4.9 实验结果

4.10 小结

第五章 总结与展望

致谢

参考文献

攻读硕士学位期间发表的学术论文