论文基于RIPPER网络流量分类方法是关于对写作网络流量论文范文与课题研究的大学硕士、相关本科毕业论文网络流量g是什么意思论文开题报告范文和相关文献综述及职称论文参考文献资料下载有帮助。
摘 要：利用一种规则学习方法中的重复增量式降低错误剪枝方法解决网络流量分类问题.利用该方法能够挖掘出网络流属性特征和类别之间的相关关系,并将挖掘出的关系构成分类器用于网络流量分类.该方法能够解决传统机器学习方法在网络流量中有大量的不平衡数据集时,分类错误率高等问题.实验证明,该方法在网络流量分类标准数据集上具有很高的分类准确率、查全率和查准率.
关键词：网络流量分类；规则学习；重复增量式降低错误剪枝；不平衡数据
DOI：1015938/jjhust201705016
中图分类号： TP393
文献标志码： A
文章编号： 1007-2683（2017）05-0085-06
Network Flow Classification MethodruleBased
CAO Yanzhen,HE Yunbin,ZHU Suxia,SUN Guanglu
（School of Computer Science and Technology, Harbin University of Science and Technology, Harbin, 150080, China）
Abstract：In this paper, repeated incremental pruning to produce error reduction which is a rule learning method is used to solve network traffic classification The method can be used to dig out the correlations between attributes and classes, which are utilized to build a classifier for traffic classification The proposed method can decrease the classification error rate when the traditional machine learning method has a large number of imbalanced data sets in the network traffic Experiments show that the method has a very high classification of accuracy, recall and precision in network traffic classification standard data sets
Keywords：traffic classification； rulebased learning； repeated incremental pruning to produce error reduction； unbalanced data
收稿日期： 2016-01-28
基金项目： 国家自然科学基金（60903083, 61502123）；黑龙江省新世纪人才项目（1155ncet008）；黑龙江省博士后科研启动基金
作者简介：
曹彦珍（1991—）,女,硕士研究生；
朱素霞（1978—）,女,博士,副教授
通信作者：
何云斌（1972—）,男,博士,教授,Email：hybha@ 163com
0引言
隨着网络中各种应用的逐渐增加,网络越来越难以管理,网络安全问题也越来越严重,在这种情况下网络流量分类技术应运而生.网络流量分类技术是针对网络中的每一条流量进行分类,识别出其所属的应用层协议类型,为流量控制提供依据,是网络安全技术的基础研究之一.同时,网络流分类技术能够增强网络的可控性, 帮助相关的研究人员掌握网络上的流量分布情况, 帮助网络运营商优化服务质量,预防并阻止各种网络犯罪行为[1][2].
已有的网络流量分类技术有基于端口、基于载荷、基于行为以及基于机器学习等方法.随着越来越多的应用采用动态端口传输,导致基于端口的方法失效；基于载荷的方法有很高的识别精度,但侵犯用户隐私,并且不能识别加密流量；基于行为的方法不能实现实时分类等[3-5].近几年,机器学习得到了迅猛发展,很多研究者将机器学习方法应用到了网络流分类中,包括朴素贝叶斯（naive bayesian,NB）[6]、支持向量机（support vector machine,SVM）[7]、C45决策树[8]等,并取得了不错的效果.
面对网络应用的快速发展,网络中流量会出现应用协议类别不平衡的情况,而传统的网络流量分类方法的分类性能往往偏向大类,而忽略小类.在面对大量不平衡数据,传统的机器学习方法不能取得很好的效果.因此,本文提出一种基于重复增量式降低错误剪枝（repeated incremental pruning to produce error reduction,Ripper）的网络流量分类方法,由于Ripper方法是按照出现最不频繁的类别到出现最频繁的类别的顺序产生规则的,使得它对于大量的不平衡数据集有很好的分类性能.
本文在第1部分简要介绍了相关工作,包括应用于网络流量分类的机器学习方法以及Ripper方法的应用等.第2部分首先介绍了特征选择方法,然后详细介绍了基于Ripper的网络流量分类方法.第四部分介绍了实验环境和实验数据集,最后一部分得出实验结果并对其进行分析,及得出结论.
1相关工作
随着机器学习在各个领域的广泛应用,基于机器学习[9]的网络流量分类成为近年来的研究热点.2004年,基于机器学习的网络流量分类方法被一些学者提出,这种方法是根据网络流量具有的统计特性来对网络流量进行分类[10].到现在已经有很多种机器学习方法被引入到网络流量分类的研究中,其中具有代表性的有： Moore等在2005年利用有监督的朴素贝叶斯方法对网络流量进行分类,取得了90%以上平均识别准确率[4].Erman等在2007年融合了有监督和无监督的机器学习方法,提出了半监督的机器学习方法解决网络流量分类问题,取得了很好的效果[11].徐鹏等在2008年提出一种基于C45决策树的网络流量分类方法,利用训练数据集中的信息熵来构建模型,这种方法也被证明在分类稳定性上有很好的效果[8].之后他又提出一种基于支持向量机的网络流量分类方法,该方法能够解决以往方法中条件独立假设的问题,在先验知识相对不足的情况下,具有较高的分类准确率和分类稳定性[7].Yu Jin等在2012年提出一种模块化的机器学习方法,应用于大型网络的流量分类中并取得了较好的效果[12].
总结:该文是关于网络流量论文范文，为你的论文写作提供相关论文资料参考。
参考文献：
1、 基于卷积神经网络的短文本分类方法 摘 要：文本分类一直是自然语言处理中一个备受关注的问题，在邮件分类、文件检索、用户情感识别等领域有着广阔的应用。同时人工智能飞速发展，卷积神经网。
2、 大差异数据冲击下的网络路由分类器的设计和实现 摘 要： 针对大差异数据冲击下路由器存在路径选择误差大的问题，设计大差异数据冲击下的网络路由分类器，其主要由FPGA开发板、模 数采集器和数字信。
3、 地下水化学分类方法 摘要：地下水化学类型不仅有助于了解天然水的成因条件，而且水化学类型的递变格局也时常成为圈化地下水系统、地表水系统，以及研究两者间水利联系的重要证。
4、 险企博弈网络流量巨头互联网保险还赔本赚吆喝吗 如今，在支付宝、微信等第三方互联网平台选购意外险和车险等保险产品早已不是什么新鲜事了。甚至近一两年来，由于监管提倡保险业回归保障，一些更为复杂。
5、 提高计算机网络安全可靠性方法 文章分析了计算机网络内涵及其可靠性定义，同时阐述了计算机网络可靠性设计应当遵循的几大重要原则，而后查阅大量资料文献提出了一些有效提高计算机网络可。