基于云计算技术的实时网络流量识别算法研究

摘要

随着互联网技术的飞速发展以及移动网络的普及，多种多样的实时网络应用（比如流媒体、P2P等）不断涌现。因此如何解决实时网络流量识别问题已成为网络安全和网络监测的关键。
　　本文以网络应用层的数据（如网页浏览、文件传输、电子邮件等）为研究对象，通过分析流量行为特征，优化属性选择算法，对网络数据进行降维处理，其中云计算技术中Map/Reduce的并行处理机制广泛应用在大数据的操作上，因此使用Map/Reduce框架进行相关仿真分析。网络中非对称路由现象会对流量识别造成影响，文中提出一种自适应测度方法来减少这种影响。最后通过构建一种实时网络流量的识别模型对网络应用层数据进行识别。具体内容如下:
　　1.属性选择是流量识别方法的数据预处理阶段，本文提出一种基于ReliefF的Wrapper属性选择算法，可以在降低数据维度的同时保持数据特性的准确性。
　　2.研究了实时网络中存在的非对称路由现象，本文分析该现象的产生以及对流量识别造成的影响，并提出一种自适应的衡量方法来量化并减少这种影响。
　　3.提出一种基于半监督学习方法的实时流量识别模型，该模型不仅可以快速精确的对流量进行识别，而且还具有以往流量识别模型所不具有的新特性，这些新特性对实时网络流量的识别具有更大的优势。

目录

声明

摘要

插图和附表清单

1 绪论

1．1 论文研究背景

1．2 流量识别研究现状

1．3 论文研究目标

1．4 研究意义

1．5 论文章节安排

2．1 流量行为的特性

2．1．1 多测度相关性

2．1．2 自相似性

2．1．3 长相关性

2．2 流量行为特性的评估方法

2．2．1 R／S分析法

2．2．2 聚类方差法

2．2．3 余数方差法

2．2．4 周期图法

2．2．5 小波分析法

2．3 基于Hadoop的云计算技术

2．3．1 HDFS

2．3．2 Map／Reduce

2．4 Map／Reduce的工作原理

2．5 本章小结

3 属性选择算法的研究

3．1 属性选择算法的定义

3．2 属性选择算法的分类

3．3 ReliefF算法

3．4 基于ReliefF的打包属性选择算法

3．4．1 方法思想

3．4．2 方法实现及分析

3．5 仿真分析

3．5．1 数据选取及描述

3．5．2 数据分析

3．6 本章小结

4 AR现象

4．1 AR的产生

4．2 AR产生的原因

4．3 AR对流量识别带来的影响

4．4 单向流测度和双向流测度

4．5 AR现象的解决方法

4．6 仿真分析

4．6．1 数据选取及描述

4．6．2 数据分析

4．7 本章小结

5 实时流量识别模型

5．1 机器学习方法

5．1．1 机器学习的定义及其原理

5．1．2 有监督学习与无监督学习

5．1．3 半监督学习及其流量分类方案

5．2 基于K-Means聚类的半监督学习模型

5．2．1 K-Means聚类算法

5．2．2 半监督算法SS-k-means

5．2．3 半监督算法SS-k-means算法的新特性

5．3 仿真分析

5．3．1 数据选取

5．3．2 数据分析

5．3．3 半监督学习SS-k-means算法新特性的测试

5．4 本章小结

6 总结与展望

6．1 总结

6．2 展望

参考文献

致谢

作者简介及读研期间主要科研成果