基于流記錄的網絡流量識別關鍵技術研究.pdf

1、流量識別對互聯(lián)網的網絡安全和網絡管理領域具有重要意義。隨著新的網絡應用的出現(xiàn)和網絡應用技術的不斷的發(fā)展，傳統(tǒng)的識別方法的局限性日益體現(xiàn)，端口識別由于P2P等應用對端口的使用方式而失去了自身的優(yōu)勢，DPI技術雖然可以有效的識別網絡流量，但是無法處理加密的流量。基于機器學習的識別方法可以有效地改善這兩種技術存在的缺陷，而面對眾多這類算法，如何從中選擇或者加以改進以適合特定實際流量環(huán)境仍是該領域未能完全解決的問題。另外目前抽樣技術已經廣泛用于

2、高速的網絡測量和網絡管理中，在抽樣的網絡環(huán)境下對于基于流的特征屬性的影響以及測度之間的相關性的影響也是該領域目前的一個研究熱點。本文的研究工作圍繞以上目標展開，通過建立標準數(shù)據(jù)集，研究基于流記錄的流量識別方法。具體的研究工作包括以下幾個方面:
　　1、屬性選擇算法對網絡流量識別的影響:在目前基于流記錄的網絡流量識別中，測度屬性的選取對其尤為重要，由于每個測度屬性都有很高的計算復雜度及空間復雜度，這樣就對在線流量識別提出挑戰(zhàn)，而屬性

3、選擇算法能依據(jù)一定的評估策略選擇出更能區(qū)分流量類別的屬性，通過降低屬性的維度來降低其計算復雜度和空間復雜度，并提高分類和識別的正確率，本文分別提出基于類均值向量的FBRI屬性選擇算法和流區(qū)分信息屬性度的MSAS屬性選擇算法，并和傳統(tǒng)的FCBF算法進行了比較，實驗表明本文所提出的屬性選擇算法能更好的區(qū)分行為測度屬性和類屬性之間的相關性。
　　2、抽樣對網絡流量識別的影響:在目前的網絡管理中普遍采用報文抽樣作為一種手段來降低測量的高負

4、載以及測量的數(shù)據(jù)量。因此把目前的流量識別技術應用到帶有抽樣機制的網絡管理系統(tǒng)中，勢必要分析抽樣對流量識別的影響以便于更好的適應系統(tǒng)的要求，鑒于此，本文分別對三種常見的抽樣方法對流行為特征測度的相關性影響進行了實驗分析，并通過對常見識別算法的結果分析，考察抽樣對流量識別的影響。
　　3、基于有監(jiān)督的識別算法:目前大部分研究仍采用有監(jiān)督流量識別方法對流量進行識別，然而還存在屬性計算復雜度高，識別精度較低等不足，本文為提高識別精度提出一

5、種基于改進的BP神經網絡方法(PCA BP)，該方法通過在BP神經網絡前段采用主成分分析方法對高維屬性進行降維，構建最佳的主成分，并作為BP神經網絡新的輸入。實驗結果表明通過前置PCA能改善BP神經網絡的識別精度，提高識別效率。
　　4、基于無監(jiān)督的聚類算法:隨著新的網絡應用不斷產生，例如P2P應用，這些應用由于屬于沒有標記的樣本，因此無法采用有監(jiān)督的機器學習方法，對標準樣本集進行訓練，進而產生相應的分類器對流量進行識別，因此為了

6、解決對新的網絡應用的識別問題，本文提出一種基于改進的KMEANS的聚類的流量識別方法，該方法通過把初次聚類的結果進行模擬退火處理，從而避免了由于K參數(shù)選取所造成聚類結果的盲目性，改善了聚類算法本身對于流量的聚類結果的正確性。
　　5、多分類器算法模型:目前單分類器在識別精度上已經進入一個瓶頸，不同的分類器有一定的偏好性，如果能夠充分利用各分類器的優(yōu)勢，這樣將對識別在性能方面得到一定的提升，因此本文提出多分類器算法模型，采用證據(jù)理論