网络流量识别是网络监控的关键环节，在网络管理中起着至关重要的作用，机器学习作为一种技术手段已经应用到网络流量识别过程中，并成为该领域的研究热点。基于机器学习的网络流量识别算法通过对流量行为测度的分析与度量来构建满足不同应用场景的流量识别需求模型。《基于机器学习的网络流量识别算法及其应用》共9章，首先分析机器学习在流量识别中的意义和应用；其次对行为特征进行分析；再次系统分析非对称路由对流量识别算法的影响；最后对深度学习算法及模型进行分析研究。
更多科学出版社服务，请扫码获取。
目录
“智能科学技术著作丛书”序
前言
第1章 绪论 1
1.1 研究背景、目的与意义 1
1.2 基于机器学习的流量识别算法研究现状 2
1.2.1 属性选择算法研究 3
1.2.2 基于机器学习的流量识别算法研究 4
1.3 基于机器学习的流量识别算法存在的问题 6
1.4 本书主要内容 7
参考文献 8
第2章 多选属性选择算法 14
2.1 引言 14
2.2 常用机器学习算法和属性选择算法概述 15
2.3 基于流记录的流量识别模型 16
2.4 多选属性选择算法分析与描述 18
2.4.1 多测度间相关关系分析 20
2.4.2 FCBF算法描述 22
2.4.3 MSAS算法描述 22
2.4.4 机器学习分类算法评估 25
2.5 实验 26
2.5.1 IPTrace数据 26
2.5.2 Moore_set数据 27
2.5.3 实验结果与分析 28
2.6 本章小结 35
参考文献 35
第3章 非对称路由对流量识别算法的影响 38
3.1 引言 38
3.2 网络流量识别算法相关问题 39
3.3 非对称路由 39
3.4 自适应算法 42
3.5 实验 44
3.5.1 数据集 44
3.5.2 非对称路由对流量识别的影响 46
3.5.3 Noc_set数据集的流量识别结果比较 48
3.5.4 Caida_set数据集的流量识别结果比较 49
3.5.5 Lbnl_set数据集的流量识别结果比较 49
3.5.6 ε 对流量识别结果的影响 50
3.6 本章小结 51
参考文献 51
第4章 基于SVM改进的流量识别算法 54
4.1 引言 54
4.2 已有流量识别算法 55
4.3 支持向量机 56
4.4 改进的SVM算法 58
4.4.1 NSVM 58
4.4.2 实验结果与分析 62
4.5 基于主动学习的多分类SVM算法 69
4.5.1 CSVM 73
4.5.2 性能评估 75
4.5.3 实验结果与分析 75
4.6 本章小结 84
参考文献 84
第5章 基于多概率神经网络的流量识别算法 86
5.1 引言 86
5.2 概率神经网络 88
5.2.1 概率神经网络简介 88
5.2.2 最小风险贝叶斯算法 89
5.2.3 PNN函数 91
5.2.4 基于概率神经网络的算法 91
5.3 MPNN应用协议识别算法 92
5.4 实验 95
5.4.1 实验环境及备选测度 95
5.4.2 MPNN算法评价分析 97
5.4.3 训练集合大小对MPNN算法稳定性的影响 99
5.4.4 MPNN算法时空复杂度分析 102
5.5 本章小结 105
参考文献 105
第6章 加密SKYPE流量在线识别算法 108
6.1 引言 108
6.2 传统的机器学习加密流量识别算法 109
6.3 朴素贝叶斯算法 110
6.4 贝叶斯更新网络模型 111
6.4.1 贝叶斯更新 111
6.4.2 算法流程 112
6.4.3 流抽样对网络流量行为特征的影响分析 114
6.5 实验 117
6.5.1 实验性能衡量 117
6.5.2 实验数据集 118
6.5.3 报文抽样对SKYPE网络流量识别的影响 119
6.6 本章小结 126
参考文献 126
第7章 基于聚类的流量分类识别算法 129
7.1 引言 129
7.2 聚类理论基础 130
7.2.1 常见聚类算法 130
7.2.2 谱聚类概念 132
7.2.3 谱聚类原理 134
7.3 基于规范化的谱聚类分类识别算法描述 134
7.4 实验 137
7.4.1 实验环境及数据集 137
7.4.2 算法评估 137
7.4.3 Moore_set数据集分析 138
7.5 本章小结 140
参考文献 141
第8章 基于半监督的流量识别算法 143
8.1 引言 143
8.2 半监督流量识别算法的相关研究工作 144
8.3 半监督流量识别算法描述 145
8.3.1 相关定义 145
8.3.2 问题描述 147
8.3.3 改进的KNN算法 147
8.4 实验 149
8.5 其他半监督流量识别算法 151
8.5.1 基于改进K-means的半监督流量识别算法 151
8.5.2 基于距离的多中心半监督聚类算法 152
8.5.3 基于密度的多中心半监督聚类算法 153
8.5.4 实验结果与分析 154
8.6 本章小结 155
参考文献 155
第9章 基于深度学习的流量识别算法 158
9.1 引言 158
9.2 常见的深度学习模型 159
9.2.1 堆叠自动编码器 159
9.2.2 深度置信网络 160
9.2.3 深度玻尔兹曼机 163
9.2.4 卷积神经网络 163
9.3 基于卷积神经网络的流量识别算法 165
9.4 实验 168
9.4.1 数据集 168
9.4.2 实验软硬件平台 169
9.4.3 实验训练集 169
9.5 本章小结 171
参考文献 172
附录 174
书单推荐
