学位论文 > 优秀研究生学位论文题录展示

基于负载特征与行为特征相结合的网络流分类系统

作　者: 李亮雄
导　师: 王凤宇
学　校: 山东大学
专　业: 计算机系统结构
关键词: 网络流分类流量负载特征流量行为统计特征贝叶斯网络
分类号: TP393.06
类　型: 硕士论文
年　份: 2012年
下　载: 72次
引　用: 0次
阅　读: 论文下载

内容摘要

近年来互联网的飞速发展,相关技术的日益成熟,同时各种网络应用给我们的日常生活带来了极大的方便,因此带动了互联网用户爆炸式的增长。互联网已成为我们生活,工作和学习等方面不可或缺的重要组成部分,我们周围的很大部分事情都是靠网络来完成的,例如我们的工作中可能需要通过互联网与客户进行重要的视频会议,或者传递重要的文件；日常中不论是发生在我们周围的事情还是远在千里之外发生的事情我们都是通过互联网得到的,跟朋友,家人的沟通不管是同步的M消息还是异步的如邮件之类的都是离不开互联网来完成；我们生活中的网络购物也是借助互联网发展起来的电子商务来实现的。任何事情都具有两面性的,有其利也有其弊,互联网也是如此。目前互联网体系结构表现出日益复杂的趋势,同时网络的异构性也愈来愈强烈,新的应用和未知协议也是越来越多,而且有些协议通过封装等手段伪装起来逃避相应的网络监测,导致互联网也越难于管理；而且伴随着P2P协议的广泛应用,纵然互联网基础带宽越来越大但仍然跟不上P2P协议对带宽的消耗,因此严重损害了传统的互联网应用；除此之外网络安全面方面也面临着极大的威胁,各式各样的恶意攻击,如DDOS攻击、僵尸网、蠕虫、病毒等严重地危害到网络服务和信息安全,造成个人隐私信息的泄露,甚至是重大机密信息的泄露。因此,网络流量分类已成为网络管理的基础和重要手段。目前已经存在三大类网络流量分类系统,但都有各自明显的缺陷。基于端口的网络流量分类系统由于目前动态端口的增多以及大量的协议封装导致效率很低；基于数据包负载特征匹配的流量分类系统由于需要大量的计算资源以及目前大量加密协议的出现也变得难于应对；基于数据包统计行为特征的流量分类方法虽然可以克服加密协议,而且计算资源需求小,但其难于发现新应用,而且对于模式的变化抗干扰能力差。因此,基于种种原因,我们迫切需要一个高性能的网络流量分类系统,能够克服前面提到的分类系统的不足。本文中,我们采用了一种称为基于流量负载特征与流量行为统计特征相结合的混合流量分类系统,我们设计一种简单而且规范的机制,来融合这两种分类方法的优点,使其协同工作,实现高效、准确的网络流量识别。主要思想是先利用基于负载行为的分类方法对数据流进行分类,产生训练集,然后通过训练集训练基于行为特征的分类方法,最后将这两种结合起来,形成一个处理效率和精确度都比较高混合分类器,并在一定时段后,重新训练基于行为特征的分类方法。

全文目录

摘要  8-10
ABSTRACT  10-12
第一章绪论  12-18
  1.1 应用层网络流量分类研究背景和意义  12-13
  1.2 应用层网络流量分类研究进展  13-15
  1.3 本文研究的主要工作  15-16
  1.4 论文结构  16-18
第二章网络流量分类研究  18-29
  2.1 网络流量分类  18-22
    2.1.1 网络流量的定义  18-21
    2.1.2 网络流量分类模型  21-22
  2.2 应用层网络流量分类方法  22-27
    2.2.1 基于端口的应用层协议分类  22-23
    2.2.2 基于负载特征的应用层协议分类  23-25
    2.2.3 基于行为统计的应用层协议分类  25-27
  2.3 网络流量分类的评价指标  27-28
  2.4 本章小结  28-29
第三章基于负载特征模式匹配的网络流量分类  29-39
  3.1 正则表达式  29-31
    3.1.1 正则表达式介绍  29-30
    3.1.2 自动状态机模型  30-31
  3.2 L7-filter介绍  31-33
  3.3 网络流负载模式匹配分类模型  33-38
    3.3.1 负载匹配引擎预处理  33-35
    3.3.2 负载匹配分类实现  35-37
    3.3.3 负载匹配分类器的试验结果及分析  37-38
  3.4 小结  38-39
第四章基于行为统计的网络流量分类  39-54
  4.1 应用层协议的数据包级特征  39-40
  4.2 贝叶斯网络介绍  40-43
    4.2.1 贝叶斯网络简介  40-41
    4.2.2 贝叶斯网络学习  41-43
    4.2.3 贝叶斯网络预测  43
  4.3 贝叶斯网络模型建立  43-50
    4.3.1 特征选择  44-45
    4.3.2 数据预处理  45-48
    4.3.3 贝叶斯网络结构建立  48-49
    4.3.4 贝叶斯网络节点参数训练  49-50
  4.4 贝叶斯网络模型实验结果及参数优化  50-53
    4.4.1 贝叶斯网络分类模型的实验结果  50-51
    4.4.2 贝叶斯网络参数优化  51-53
  4.5 小结  53-54
第五章模式匹配与行为统计相结合的网络流分类系统  54-63
  5.1 混合网络流分类系统总体设计  54-57
    5.1.1 网络流混合分类器工作模式  55-56
    5.1.2 混合流分类系统架构  56-57
  5.2 功能模块设计和实现  57-63
    5.2.1 流量抓取模块实现  57-59
    5.2.2 流量管理模块实现  59-61
    5.2.3 流量分类模块实现  61
    5.2.4 流量处理模块实现  61-63
第六章结论和展望  63-65
  6.1 本文工作总结  63-64
  6.2 下一步工作研究  64-65
参考文献  65-69
致谢  69-70
攻读学位期间发表论文目录  70-71
攻读学位期间参加的项目  71-72
学位论文评阅及答辩情况表  72

基于负载特征与行为特征相结合的网络流分类系统

内容摘要

全文目录

相似论文