基于协议隐马尔可夫模型的网络流量识别技术研究

发布时间：2024-06-13 20:38

　　网络应用的飞速发展增加了网络服务质量的重要性，作为网络管理的基础，网络流量识别技术持续发展，最新的基于协议隐马尔可夫模型的识别技术综合考虑了网络流的时序特征和统计特征，有很好的识别准确率，但是已有研究是人工构建协议隐马尔可夫模型的，这无法满足实际应用的需求。因此，本文提出一种自动构建协议隐马尔可夫模型的方法，通过实验验证了自动建模方法的正确性，并在校园网中基于自动构建的协议隐马尔可夫模型进行了流量识别的应用，结果进一步论证了本文自动建模方法的理论意义和应用价值。 本文从原理、算法和应用三方面主要做了如下工作： 1．提出自动构建网络协议隐马尔可夫模型的方法，并对方法的正确性进行了实验验证。通过研究网络流的时序特征和统计特征，提出自动建模的方法：用基于密度的聚类算法对网络流数据包进行聚类分析，来获取与协议隐马尔可夫模型初始结构相对应的有穷状态机，以体现网络流的时序特征，并抽象出数据包的特征向量，用有穷状态机中“状态”间的转移概率和“状态”下特征向量的条件分布表征网络流的统计特征；然后通过有穷状态机的先验指导对模型参数进行训练，从而获得完整的协议隐马尔可夫模型。同时选取六种典型的网络应用进行...

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

图2.4甲和乙通过协议P的通信过程

隐马尔可夫模型做铺垫。到过，现阶段主流的基于统计特征的流量的统计特征，而未考虑流量交一个关键性改进就是分类时综合考必要先对网络流的这两项特征进行分序”就是对时间先后顺序的限定，的整个交互过程中，按照时间先后现为协议交互过程的不同“状态”，就是网络流时序特征的准确反映。互的简单例子....

图2.6协议P的有穷状态机模型

如图2.6所示。图2.6协议P的有穷状态机模型Fig.2.6FinitestatemachineofprotocolP图中符号“+”和“-”分别表示网络流数据包传输的正反向，其中“+”表示数据包由甲发送到乙，“-”号表示数据包由乙发送到甲。该有穷状态机反映的....

图2.7协议P交互过程各状态包长统计分布

图2.7协议P交互过程各状态包长统计分布Fig.2.7StatisticaldistributionoflengthofpackageofprotocolP横轴表示包长，纵轴表示各个包长值的概率密度，即该包长总数的百分比。图中显示，协议P不同“状态”....

图3.1传统的流量识别方法

本文的核心研究背景创新性的识别方法，综应用环境中有较好的识别对几种传统的流量识述，其中在3.2节将详细、过程，以及构建流量讨论和解决的核心问题量识别技术别方法根据时间先后主、基于网络流统计特征利用了机器学习和模式别，如图3.1所示。

本文编号：3993621