基于流记录的网络流量识别关键技术研究 pdf下载

流量识别对互联网的网络安全和网络管理领域具有重要意义。随着网络应用技术的不断发展，传统识别方法的局限性日益显现，端口识别由于P2P等应用端口的使用方式而失去了自身的优势，DPI技术虽然可以有效地识别网络流量，但是对于加密的流量则是束手无策。虽然基于机器学习的识别方法可以有效地改善这两种技术存在的缺陷，而面对众多机器学习算法，如何从中选择或者加以改进以适合特定实际流量环境仍是该领域未能完全解决的问题，另外，目前抽样技术已经用于高速的网络测量和网络管理中，在抽样的网络环境下对于基于流的特征属性的影响及测度之间的相关性的影响也是该领域目前的一个研究热点。

本书所介绍的研究工作围绕以上目标展开，通过建立标准数据集，研究报文抽样、属性选择算法对识别精度的影响，评估分类算法对属性特征在抽样条件下的敏感程度，在此基础上，建立面向不同环境和需求的多分类器融合流量识别模型。全书共有8章及1个附录。

希望本书的出版，能给学习流量识别技术的研究人员提供一个扩展研究思路的平台。本书主要是以笔者的博士论文为基础的，是笔者在博士期间的工作总结，内容方面已反复修改和论证，但难免有不足之处，欢迎广大读者批评指正，以便本书质量的进一步提高。

本书包含笔者的研究内容和成果，同时也引用了一些国内外学术研究的观点，在此向有关人士致以衷心的感谢！

第一章 绪论
1.1 网络流量识别的意义
1.2 网络流量识别方法的相关定义和评价标准
1.3 流量识别的发展和现有工作的不足
1.4 研究目标、主要内容和方法
1.5 研究背景

第二章 流特征选择算法
2.1 研究现状和存在问题
2.2 FBRI属性选择算法
2.3 FBRI算法实验与结果分析
2.4 MSAS属性选择算法
2.5 MSAS算法实验与结果分析
2.6 属性选择算法选择的属性集合
2.7 本章小结

第三章 报文抽样对网络流量应用识别的影响
3.1 抽样技术
3.2 相关定义与抽样下常见测度的分析
3.3 实验与分析
3.4 本章小结

第四章 改进的BP神经网络算法
4.1 现状和问题
4.2 BP神经网络
4.3 基于PCA的BP神经网络算法
4.4 实验与结果分析
4.5 本章小结

第五章 基于改进的Kmeans流量聚类算法
5.1 引言
5.2 Kmeans算法
5.3 基于模拟退火的Kmeans聚类算法
5.4 实验结果分析
5.5 本章小结

第六章 基于多概率神经网络模型的流量识别方法
6.1 概率神经网络
6.2 PNN决策函数逼近贝叶斯
6.3 基于概率神经网络算法
6.4 MPNN应用协议识别算法
6.5 实验与结果分析
6.6 训练集合大小对MPNN算法稳定性的影响
6.7 MPNN算法时空复杂度分析
6.8 本章小结

第七章 基于多分类器的网络流量识别方法
7.1 相关工作和存在问题
7.2 多分类器流量识别模型
7.3 测度属性
7.4 实验与结果分析
7.5 本章小结

第八章 总结及展望
8.1 研究目标和主要内容
8.2 研究主要创新点和贡献
8.3 研究展望
附录
参考文献
缩略词表
致谢
作者简介