網(wǎng)絡(luò)流量識別是網(wǎng)絡(luò)監(jiān)控的關(guān)鍵環(huán)節(jié)，在網(wǎng)絡(luò)管理中起著至關(guān)重要的作用，機(jī)器學(xué)習(xí)作為一種技術(shù)手段已經(jīng)應(yīng)用到網(wǎng)絡(luò)流量識別過程中，并成為該領(lǐng)域的研究熱點。基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流量識別算法通過對流量行為測度的分析與度量來構(gòu)建滿足不同應(yīng)用場景的流量識別需求模型。《基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流量識別算法及其應(yīng)用》共9章，首先分析機(jī)器學(xué)習(xí)在流量識別中的意義和應(yīng)用；其次對行為特征進(jìn)行分析；再次系統(tǒng)分析非對稱路由對流量識別算法的影響；最后對深度學(xué)習(xí)算法及模型進(jìn)行分析研究。
目錄
“智能科學(xué)技術(shù)著作叢書”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)的流量識別算法研究 4
1.3 基于機(jī)器學(xué)習(xí)的流量識別算法存在的問題 6
1.4 本書主要內(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)分類算法評估 25
2.5 實驗 26
2.5.1 IPTrace數(shù)據(jù) 26
2.5.2 Moore_set數(shù)據(jù) 27
2.5.3 實驗結(jié)果與分析 28
2.6 本章小結(jié) 35
參考文獻(xiàn) 35
第3章 非對稱路由對流量識別算法的影響 38
3.1 引言 38
3.2 網(wǎng)絡(luò)流量識別算法相關(guān)問題 39
3.3 非對稱路由 39
3.4 自適應(yīng)算法 42
3.5 實驗 44
3.5.1 數(shù)據(jù)集 44
3.5.2 非對稱路由對流量識別的影響 46
3.5.3 Noc_set數(shù)據(jù)集的流量識別結(jié)果比較 48
3.5.4 Caida_set數(shù)據(jù)集的流量識別結(jié)果比較 49
3.5.5 Lbnl_set數(shù)據(jù)集的流量識別結(jié)果比較 49
3.5.6 ε 對流量識別結(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)的流量識別算法 54
4.1 引言 54
4.2 已有流量識別算法 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 實驗結(jié)果與分析 62
4.5 基于主動學(xué)習(xí)的多分類SVM算法 69
4.5.1 CSVM 73
4.5.2 性能評估 75
4.5.3 實驗結(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)簡介 88
5.2.2 最小風(fēng)險貝葉斯算法 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)議識別算法 92
5.4 實驗 95
5.4.1 實驗環(huán)境及備選測度 95
5.4.2 MPNN算法評價分析 97
5.4.3 訓(xùn)練集合大小對MPNN算法穩(wěn)定性的影響 99
5.4.4 MPNN算法時空復(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 流抽樣對網(wǎng)絡(luò)流量行為特征的影響分析 114
6.5 實驗 117
6.5.1 實驗性能衡量 117
6.5.2 實驗數(shù)據(jù)集 118
6.5.3 報文抽樣對SKYPE網(wǎng)絡(luò)流量識別的影響 119
6.6 本章小結(jié) 126
參考文獻(xiàn) 126
第7章 基于聚類的流量分類識別算法 129
7.1 引言 129
7.2 聚類理論基礎(chǔ) 130
7.2.1 常見聚類算法 130
7.2.2 譜聚類概念 132
7.2.3 譜聚類原理 134
7.3 基于規(guī)范化的譜聚類分類識別算法描述 134
7.4 實驗 137
7.4.1 實驗環(huán)境及數(shù)據(jù)集 137
7.4.2 算法評估 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)督的流量識別算法 143
8.1 引言 143
8.2 半監(jiān)督流量識別算法的相關(guān)研究工作 144
8.3 半監(jiān)督流量識別算法描述 145
8.3.1 相關(guān)定義 145
8.3.2 問題描述 147
8.3.3 改進(jìn)的KNN算法 147
8.4 實驗 149
8.5 其他半監(jiān)督流量識別算法 151
8.5.1 基于改進(jìn)K-means的半監(jiān)督流量識別算法 151
8.5.2 基于距離的多中心半監(jiān)督聚類算法 152
8.5.3 基于密度的多中心半監(jiān)督聚類算法 153
8.5.4 實驗結(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)的流量識別算法 158
9.1 引言 158
9.2 常見的深度學(xué)習(xí)模型 159
9.2.1 堆疊自動編碼器 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)的流量識別算法 165
9.4 實驗 168
9.4.1 數(shù)據(jù)集 168
9.4.2 實驗軟硬件平臺 169
9.4.3 實驗訓(xùn)練集 169
9.5 本章小結(jié) 171
參考文獻(xiàn) 172
附錄 174
新書資訊