基于半監(jiān)督學習的分布式在線流量識別研究.pdf

1、隨著互聯網技術的不斷發(fā)展，網絡規(guī)模逐漸增大并涌現出各種新的網絡應用（如P2P、IPTV等）。這些新型流量的急速增長一方面造成嚴重的帶寬負擔，加劇網絡的擁塞狀況;另一方面惡意流量也頻繁出現在互聯網上，不僅加快帶寬的消耗而且對網絡安全也提出很大的挑戰(zhàn)。網絡應用的增加，導致網絡速率不斷增長，網絡節(jié)點處的網絡管理設備面臨越來越大的壓力。如何通過有效的技術手段實時識別和監(jiān)測流量，從而管理和控制各種惡意流量，提供合理的帶寬資源和服務，成為當前網絡管

2、理面臨的重要難題之一。
　　 網絡流量分類正是解決上述難題的基礎，尤其是基于半監(jiān)督學習的分類方法，不僅能夠利用少量標簽數據促進分類系統的性能，而且具有發(fā)現新的模式的功能成為當前流量分類領域研究的熱點。鑒于網絡流量本身天然的地域性、時域性，本文將分布式的理念和技術引入在線流量分類中，將分類任務分散到不同的節(jié)點上，由中心節(jié)點管理并協調各個子節(jié)點分類并提供對子節(jié)點分類結果的驗證。
　　 首先，本文針對大多數基于有監(jiān)督機器學習的

3、分類器過度依賴于有標簽數據問題，提出了基于k均值算法的半監(jiān)督聚類算法Semi-kmeans進行流量分類的研究。該算法使用具有準確應用類型的流量樣本作為初始聚類中心，不僅能夠有效的識別應用類型，而且具有發(fā)現新型網絡應用的功能。
　　 其次，由于互聯網應用行為的實時、多變、易逝等特征，使得對網絡流量的在線識別方法更具研究意義。本文研究的在線網絡流量分類模型，專門針對網絡流量的實時分類而設計。采用離線訓練和在線分類相互配合的方法進行實