流量分类 半监督 支持向量机 协同训练

1、流量分类论文:基于半监督支持向量机的网络流量分类机制 的研究与实现【中文摘要】目前网络上运行着多种应用，每种应用都有自己独 特的流量特征。应用层流量分类是研究差异性服务、QoS保障、入侵 检测、流量监控、计费管理以及用户行为分析的前提和基础,有助于 趋势分析、动态访问控制，以及发现入侵或恶意攻击，同时可以识别影 响网络资源分布的新应用。因此，如何准确的进行流量分类并识别新 的应用对于企业、运营商、服务提供商、网络管理员及用户都具有重 要的意义。当前流行的流量分类方法包括基于有监督和无监督的机器 学习算法,以及基于载荷的方法。但在实际的分类问题中，上述方法都 有各自的不足和缺陷，比如在有监督的方

2、法中对样本进行标记是一项 代价昂贵的工程。因此，本文提出一种基于半监督支持向量机的方法 来识别和分类网络中的流量。其中，支持向量机、标记流和协同训练 算法是该方法的核心内容,是有效并快速的获得一个分类器的关键。 本文证明了基于半监督支持向量机的分类器的三大优势：1 ）高的分类 精度；2）高的泛化性能；3）快速的计算性能。最后本文基于开源工具 包实现了流量分类算法的原型，并在校园网和居民网上证明该分类方 法的可行性和高效性。【英文摘要】 A variety of network applications are running on network currently and new appli

3、cations are still emerging. The traffic classification of application layer is the premiseand basis of identifying network applications, which helps to analyze trend, control dynamic access, study differences of services, detect intrusion, monitor traffic, manage billing and analyze users behavior.

4、Moreover, it is also the important reference of network security and traffic engineering. So how to classify applications accuratel.【关键词】流量分类 半监督 支持向量机 协同训练【英文关键词】Traffic Classification Semi-Supervised Support Vector Machine Co-training【索购全文】联系八Q1： 138113721 E3Q2： 139938848【日录】基于半监督支持向量机的网络流量分类机制的研究

5、与实 现 摘要4-5 ABSTRACT 5 第一章绪论121.1引言8-91.2要解决的问题和创新点101.3研究生期间工作10-111.4论文结构11-12 第二章网络流量分类研究综述12-232.1流量分类定义122.2流量分类层面12-132.3流量分类粒度13-142.4流量分类方式14-152.4.1基于端口的流量分类142.4.2基于载荷的流量分类14-152.4.3基于机器学习的流量分类152.5基于机器学习的流量分类方法15-162.5.1基于有监督的流量分类15-162.5.2基于无监督的流量分类162.5.3基于半监督的流量分类162.6流量分类主要算法研究16-232.6

6、.1贝叶斯分类算法17-192.6.2聚类早期识别应用19-202.6.3基于K均值的流量分类20-23第三章基于半监督支持向量机的流量分类算法23-303.1支持向量机算法(SVM) 23-253.2半监督协同训练算法25-263.3特征选择算法26-273.4标记流选择算法27-283.5基于半监督支持向量机算法28-30 第四章 基于半监督支持向量机 的流量分类模型30-374.1流量类型304.2流特征定义标准30-324.3交叉验证模型324.4分类器的评价指标32-334.5流量分类步骤33-37第五章基于半监督支持向量机的流量分类实验37-495.1实验工具简介37-405.1.1 Jpcap 工具包 37-385.1.2 WEKA 工具38-405.1.3 LibSVM 工具包 405.2数据采集40-425.3流量分类实验42-445.3.1特征选择42-435.3.2 标记流选择 43-445.4流量分类实验