基于DFI流量分類技術(shù)研究與實(shí)現(xiàn).pdf

1、網(wǎng)絡(luò)流量分類不僅可以幫助互聯(lián)網(wǎng)服務(wù)提供商提供服務(wù)質(zhì)量保障，而且可以對網(wǎng)絡(luò)進(jìn)行有效的監(jiān)督管理，確保網(wǎng)絡(luò)安全。隨著互聯(lián)網(wǎng)的迅猛發(fā)展，新興業(yè)務(wù)層出不窮，私有協(xié)議和加密應(yīng)用的廣泛使用，使得DPI分類方法的適用范圍越來越小。DFI方法主要通過流的統(tǒng)計特征來識別流量，無需解析應(yīng)用層負(fù)載，處理速度快，對加密報文和隱私協(xié)議仍然有效，并且無需額外的設(shè)備開銷。目前，基于DFI的機(jī)器學(xué)習(xí)流量分類方法具有良好的應(yīng)用前景。但是，該方法通常以獲得高的總體分類準(zhǔn)確率

2、為優(yōu)化目標(biāo)，而忽略網(wǎng)絡(luò)流量數(shù)據(jù)所具有的多類不平衡特性，使得分類性能往往偏向大類，而忽視小類。在網(wǎng)絡(luò)流量中，有些小類屬于重量級應(yīng)用，占有大量的字節(jié)，其分類性能關(guān)乎網(wǎng)絡(luò)規(guī)劃及帶寬資源分配;有些小類應(yīng)用屬于命令流，實(shí)時通信流等，其分類性能關(guān)乎通信的可靠性及服務(wù)質(zhì)量。此外，由于網(wǎng)絡(luò)流量特征隨著時間和環(huán)境的變化而發(fā)生改變，現(xiàn)有的分類方法很難保持穩(wěn)定的分類性能，如何有效應(yīng)對網(wǎng)絡(luò)流量的概念漂移問題也是目前研究的熱點(diǎn)。
　　本文的研究工作圍繞以上

3、目標(biāo)展開，研究基于深度流檢測(Deep Flow Inspection，DFI)的流量分類方法。論文主要內(nèi)容如下:
　　1.特征選擇算法對網(wǎng)絡(luò)流量分類的影響:在目前基于DFI檢測的網(wǎng)絡(luò)流量識別中，測度屬性的選取尤其重要。由于測度屬性中包含冗余與不相關(guān)特征，使得流量分類具有很高的計算復(fù)雜度與空間復(fù)雜度。而特征選擇算法能依據(jù)一定的評估策略選擇出更能區(qū)分流量類別的屬性，通過降低屬性的維度來降低計算復(fù)雜度和空間復(fù)雜度，并提高分類和識別的準(zhǔn)

4、確率。本文提出基于選擇性集成和改進(jìn)序列向前搜索的混合特征選擇算法，并且與傳統(tǒng)的基于相關(guān)性的FCBF，信息增益InfoGain，GainRatio，基于統(tǒng)計的Chi-square以及基于一致性Consisitency進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明該特征選擇算法可以更好的區(qū)分流行為特征屬性和類屬性之間的相關(guān)性。
　　2.基于代價敏感的算法模型:由于網(wǎng)絡(luò)流數(shù)據(jù)存在類不平衡特性，且目前的流分類算法多偏向大類，忽視小類。為了提高小類的分類性能，本文

5、提出了一種基于重采樣的代價敏感模型。首先對不平衡網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行SMOTE重采樣，改善人類與小類的不平衡特性，然后采用AdaCost算法分類流量數(shù)據(jù)，其中AdaCost中代價矩陣采用基于權(quán)重的錯分代價矩陣。并且與傳統(tǒng)的C4.5分類算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明該算法模型可以提高小類的流準(zhǔn)確率和字節(jié)準(zhǔn)確率。
　　3.基于代價敏感的多分類器的算法模型:由于網(wǎng)絡(luò)流量特征隨著時間和環(huán)境的變化而發(fā)生改變，機(jī)器學(xué)習(xí)分類方法很難保持穩(wěn)定的分類性能。

6、為了提高分類器的自適應(yīng)能力，本文提出一種基于精度權(quán)重的流量分類方法，實(shí)驗(yàn)結(jié)果表明該算法在處理流量的概念漂移問題上表現(xiàn)出較好的分類性能和泛化能力。為了進(jìn)一步提高動態(tài)環(huán)境下小類的分類性能，本文在基于精度權(quán)重的集成學(xué)習(xí)分類方法的基礎(chǔ)上提出了一種基于代價敏感的集成學(xué)習(xí)模型，模型由兩部分構(gòu)成:第一部分是混合特征選擇，獲取穩(wěn)定的最優(yōu)特征子集，第二部分將基于精度權(quán)重的分類方法與基于權(quán)重的AdaCost方法相結(jié)合。實(shí)驗(yàn)結(jié)果表明該方法能夠有效提高概念漂移