目錄
“智能科學(xué)技術(shù)著作叢書(shū)”序
前言
第1章 緒論 1
1.1 研究背景、目的與意義 1
1.2 基于機(jī)器學(xué)習(xí)的流量識(shí)別算法研究現(xiàn)狀 2
1.2.1 屬性選擇算法研究 3
1.2.2 基于機(jī)器學(xué)習(xí)的流量識(shí)別算法研究 4
1.3 基于機(jī)器學(xué)習(xí)的流量識(shí)別算法存在的問(wèn)題 6
1.4 本書(shū)主要內(nèi)容 7
參考文獻(xiàn) 8
第2章 多選屬性選擇算法 14
2.1 引言 14
2.2 常用機(jī)器學(xué)習(xí)算法和屬性選擇算法概述 15
2.3 基于流記錄的流量識(shí)別模型 16
2.4 多選屬性選擇算法分析與描述 18
2.4.1 多測(cè)度間相關(guān)關(guān)系分析 20
2.4.2 FCBF算法描述 22
2.4.3 MSAS算法描述 22
2.4.4 機(jī)器學(xué)習(xí)分類(lèi)算法評(píng)估 25
2.5 實(shí)驗(yàn) 26
2.5.1 IPTrace數(shù)據(jù) 26
2.5.2 Moore_set數(shù)據(jù) 27
2.5.3 實(shí)驗(yàn)結(jié)果與分析 28
2.6 本章小結(jié) 35
參考文獻(xiàn) 35
第3章 非對(duì)稱(chēng)路由對(duì)流量識(shí)別算法的影響 38
3.1 引言 38
3.2 網(wǎng)絡(luò)流量識(shí)別算法相關(guān)問(wèn)題 39
3.3 非對(duì)稱(chēng)路由 39
3.4 自適應(yīng)算法 42
3.5 實(shí)驗(yàn) 44
3.5.1 數(shù)據(jù)集 44
3.5.2 非對(duì)稱(chēng)路由對(duì)流量識(shí)別的影響 46
3.5.3 Noc_set數(shù)據(jù)集的流量識(shí)別結(jié)果比較 48
3.5.4 Caida_set數(shù)據(jù)集的流量識(shí)別結(jié)果比較 49
3.5.5 Lbnl_set數(shù)據(jù)集的流量識(shí)別結(jié)果比較 49
3.5.6 ε 對(duì)流量識(shí)別結(jié)果的影響 50
3.6 本章小結(jié) 51
參考文獻(xiàn) 51
第4章 基于SVM改進(jìn)的流量識(shí)別算法 54
4.1 引言 54
4.2 已有流量識(shí)別算法 55
4.3 支持向量機(jī) 56
4.4 改進(jìn)的SVM算法 58
4.4.1 NSVM 58
4.4.2 實(shí)驗(yàn)結(jié)果與分析 62
4.5 基于主動(dòng)學(xué)習(xí)的多分類(lèi)SVM算法 69
4.5.1 CSVM 73
4.5.2 性能評(píng)估 75
4.5.3 實(shí)驗(yàn)結(jié)果與分析 75
4.6 本章小結(jié) 84
參考文獻(xiàn) 84
第5章 基于多概率神經(jīng)網(wǎng)絡(luò)的流量識(shí)別算法 86
5.1 引言 86
5.2 概率神經(jīng)網(wǎng)絡(luò) 88
5.2.1 概率神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 88
5.2.2 最小風(fēng)險(xiǎn)貝葉斯算法 89
5.2.3 PNN函數(shù) 91
5.2.4 基于概率神經(jīng)網(wǎng)絡(luò)的算法 91
5.3 MPNN應(yīng)用協(xié)議識(shí)別算法 92
5.4 實(shí)驗(yàn) 95
5.4.1 實(shí)驗(yàn)環(huán)境及備選測(cè)度 95
5.4.2 MPNN算法評(píng)價(jià)分析 97
5.4.3 訓(xùn)練集合大小對(duì)MPNN算法穩(wěn)定性的影響 99
5.4.4 MPNN算法時(shí)空復(fù)雜度分析 102
5.5 本章小結(jié) 105
參考文獻(xiàn) 105
第6章 加密SKYPE流量在線識(shí)別算法 108
6.1 引言 108
6.2 傳統(tǒng)的機(jī)器學(xué)習(xí)加密流量識(shí)別算法 109
6.3 樸素貝葉斯算法 110
6.4 貝葉斯更新網(wǎng)絡(luò)模型 111
6.4.1 貝葉斯更新 111
6.4.2 算法流程 112
6.4.3 流抽樣對(duì)網(wǎng)絡(luò)流量行為特征的影響分析 114
6.5 實(shí)驗(yàn) 117
6.5.1 實(shí)驗(yàn)性能衡量 117
6.5.2 實(shí)驗(yàn)數(shù)據(jù)集 118
6.5.3 報(bào)文抽樣對(duì)SKYPE網(wǎng)絡(luò)流量識(shí)別的影響 119
6.6 本章小結(jié) 126
參考文獻(xiàn) 126
第7章 基于聚類(lèi)的流量分類(lèi)識(shí)別算法 129
7.1 引言 129
7.2 聚類(lèi)理論基礎(chǔ) 130
7.2.1 常見(jiàn)聚類(lèi)算法 130
7.2.2 譜聚類(lèi)概念 132
7.2.3 譜聚類(lèi)原理 134
7.3 基于規(guī)范化的譜聚類(lèi)分類(lèi)識(shí)別算法描述 134
7.4 實(shí)驗(yàn) 137
7.4.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)集 137
7.4.2 算法評(píng)估 137
7.4.3 Moore_set數(shù)據(jù)集分析 138
7.5 本章小結(jié) 140
參考文獻(xiàn) 141
第8章 基于半監(jiān)督的流量識(shí)別算法 143
8.1 引言 143
8.2 半監(jiān)督流量識(shí)別算法的相關(guān)研究工作 144
8.3 半監(jiān)督流量識(shí)別算法描述 145
8.3.1 相關(guān)定義 145
8.3.2 問(wèn)題描述 147
8.3.3 改進(jìn)的KNN算法 147
8.4 實(shí)驗(yàn) 149
8.5 其他半監(jiān)督流量識(shí)別算法 151
8.5.1 基于改進(jìn)K-means的半監(jiān)督流量識(shí)別算法 151
8.5.2 基于距離的多中心半監(jiān)督聚類(lèi)算法 152
8.5.3 基于密度的多中心半監(jiān)督聚類(lèi)算法 153
8.5.4 實(shí)驗(yàn)結(jié)果與分析 154
8.6 本章小結(jié) 155
參考文獻(xiàn) 155
第9章 基于深度學(xué)習(xí)的流量識(shí)別算法 158
9.1 引言 158
9.2 常見(jiàn)的深度學(xué)習(xí)模型 159
9.2.1 堆疊自動(dòng)編碼器 159
9.2.2 深度置信網(wǎng)絡(luò) 160
9.2.3 深度玻爾茲曼機(jī) 163
9.2.4 卷積神經(jīng)網(wǎng)絡(luò) 163
9.3 基于卷積神經(jīng)網(wǎng)絡(luò)的流量識(shí)別算法 165
9.4 實(shí)驗(yàn) 168
9.4.1 數(shù)據(jù)集 168
9.4.2 實(shí)驗(yàn)軟硬件平臺(tái) 169
9.4.3 實(shí)驗(yàn)訓(xùn)練集 169
9.5 本章小結(jié) 171
參考文獻(xiàn) 172
附錄 174