基于机器学习的网络流量识别与管理的研究

• 作 者: 郑金纲
• 机 构: 北京信息科技大学
• 出 处: 北京信息科技大学
• 发表日期: 2011年期
• 关键词: 流量识别 支持向量机 RBF神经网络 实时识别 机器学习

随着互联网的蓬勃发展，各种新兴网络应用不断出现。这些应用在为用户提供各种网络服务的同时却消耗大量带宽，影响网络关键业务的正常进行。网络应用采用的新型加密方法和动态端口等新型技术又使得传统流量识别方法无法有效工作，进而给网络管理工作增加了难度，因此急需一种更加有效的方法对网络流量进行识别与管理。　　本文提出了三层结构网关式流量识别管理系统设计方案，采用支持向量机和RBF神经网络两种机器学习的方法，引入基于多层特征的机器学习的流量识别技术，结合应用层特征和协议特征进行模型建立，对网络流量进行识别，并对结果与实际情况进行了比较和分析。结果表明，基于多层特征的机器学习的流量识别方法对网络流量有较高的识别精度，对实时识别的效率也能很好的保证。　　本文主要的研究内容如下：第一，引入了机器学习的网络流量识别方法，对机器学习方法中的支持向量机和RBF神经网络进行介绍说明。第二，研究数据包特征，采用基于多层特征的机器学习的识别方法，结合支持向量机和RBF神经网络分别建立测试模型，并通过实验证明基于多层特征的机器学习流量识别方法具有良好的性能。第三，通过理论分析和实验证明探讨了参数选择对支持向量机和RBF神经网络流量识别方法的作用。第四，提出了网络流量管理系统原型设计方案。通过对Linux操作系统开源防火墙框架Netfilter的深入研究提出了一套流量管理方案，并建立系统原型。第五，通过实验验证该系统原型在流量识别和管理网络流量方面的有效性和准确性。