网络流量分类方法的比较研究
网络流量分类及其现状研究
商务交 易等 各种应用不断涌现 ， 造成新兴应用层 出不穷 、 带宽消
耗急剧增加 、 安全问题 日益增多 ， 如何 为用户提供一个安全 、 可靠
索策 略来选取流统计学特征 。Ｈ Ｕ Ａ Ｎ Ｇ等人将粒子群算法用 于特 征搜索 ， 但粒子被过多束缚 ， 容易导致局部最优。２ ０ ０ ９年 ， Ｌ ｉ 等人 利用遗传算法进行特征属性选择 ， 搜索 能力 强 ， 对求解大规模 复
消耗 时间较长的不足。２ ０ １ ２年 ， Ｗａ ｎ ｇ以流 的统计学特征为依据 ， 提 出了一种基 于 ｆ ｉ ｌ ｔ ｅ ｒ 和ｗ ｒ ａ ｐ ｐ ｅ ｒ 的组合式 特征选择 ，获得 识别
议类型 ） 的单向数据包集合。只要数据包的上述五个要 素中有一
个 不相 同， 它们就不属于 同一条流。 在 流的定义的基 础上 ， 网络流 量分 类是 指 ：对流按 照其 应用 层 的应用类 型 （ 如 ｍ 。 ＭＡ Ｉ Ｌ ， ｗｗｗ， Ｐ ２ Ｐ等 ） ， 将网络 中存在的 Ｔ Ｃ Ｐ流或 Ｕ Ｄ Ｐ流进行分类。对 网络流量分类 的研究 主要 是网络流量特征选择和分类方法 两方
是实现 网络可控性的基础技术 ， 在网络管理 、 服务质量保障 和网
络安全等领域都有应用 。 但随着网络的发展 ， 网络速度不断提高 ，
新型的 网络应用和技术不断 出现 ， 对网络流量分类术提 出了更 高 的要求 。
一
、
网 络流 量 的 定 义
流特征选择算法 ，通过曲线拟合趋势相关性属性进行特征选择 ，
面。
Ｐ ２ Ｐ的最优流特征子集 ， 但该方法 的通用性有待提高 。
目前 ， 各种新 的搜索机制和评价标准如支持 向量机 、 马尔可
夫、 粗糙集 、 神经网络等方法被广泛应用 于改进现 有的特征选择
网络流量识别与分类研究
网络流量识别与分类研究随着互联网的日益普及，人们逐渐离不开网络。
然而，网络的使用也带来了很多问题，其中之一便是网络流量的管理。
网络流量是指在网络中传输的信息，根据不同的内容和用途，可以被分为不同的类型。
本文将探讨网络流量的识别与分类研究。
一、网络流量的识别网络流量的识别是指对在网络中传输的信息进行简单的分类，以便于后续的管理和分流。
网络流量的识别可以采用深度学习等人工智能技术，也可以使用一些传统的算法。
在具体实践中，网络流量的识别可以分为两个部分：传输层流量识别和应用层流量识别。
1. 传输层流量识别传输层流量识别可以将网络的传输层协议进行分类。
传输层协议主要有TCP和UDP两种。
TCP协议是面向连接的协议，保证了数据的可靠性和数据的正确性。
UDP协议则是面向无连接的协议，可以快速地传输数据。
在实验室中，我们可以通过分析包头中的标识符来区分TCP和UDP协议。
2. 应用层流量识别应用层流量识别则可以将网络中的应用进行分类。
网络中的应用有很多种，如HTTP协议、FTP协议、P2P协议等。
我们可以通过对网络包的特征进行分析来识别不同的应用。
比如HTTP协议的应用层端口是80端口，FTP协议则是21端口。
二、网络流量的分类网络流量的分类是指对已经识别的流量进行更为细致的分类和管理。
网络流量的分类可以依据不同的需求而进行不同的划分。
在网络管理中，我们通常需要将网络流量分为是否有害流量和是否正常流量，以便于进行进一步的管理。
1. 正常流量分类正常流量是指那些网络中传输的正常数据。
在实践中，我们可以将正常流量分为以下几类：（1）Web流量：指那些由浏览器发出的HTTP请求。
（2）Email流量：指由邮件客户端或邮件服务器发出的邮件。
（3）FTP流量：指由FTP客户端或FTP服务器进行的文件传输。
（4）VoIP流量：指由VoIP软件（如Skype）进行的语音传输。
2. 有害流量分类有害流量是指那些意图破坏网络性能或者非法获取网络资源的数据。
网络测量中的流量分类和分析技巧(九)
网络测量中的流量分类和分析技巧随着互联网的普及和发展，网络测量成为了评估网络性能和优化网络服务的重要手段。
流量分类和分析技巧是网络测量中的重要内容，它可以帮助我们更好地理解和应对网络拥堵、性能瓶颈以及网络安全等问题。
本文将从不同的角度探讨网络测量中的流量分类和分析技巧。
一、流量分类的方法在网络测量中，流量分类是将网络中的数据流划分为不同组的过程，以便更好地分析和管理。
有许多不同的方法可以用于流量分类，下面简要介绍几种常用的方法。
1. 基于协议基于协议的流量分类是将数据流按照所使用的协议进行划分。
常见的协议有HTTP、FTP、SMTP等。
通过分析每个数据包的协议字段，可以轻松地将流量分类。
2. 基于端口基于端口的流量分类是将数据流按照源或目的端口进行划分。
每个应用程序通常使用预定义的端口号进行通信，例如Web应用程序常使用80端口。
通过分析每个数据包的端口号，可以确定它们所属的应用程序。
3. 基于流特征基于流特征的流量分类是根据数据流的特征进行划分。
这些特征可以是数据包的大小、传输时间间隔等。
通过提取和分析这些特征，可以建立模型用于流量分类。
二、流量分析的技巧流量分析是网络测量中的关键步骤，它可以帮助我们了解网络的性能瓶颈、异常行为和威胁等。
下面介绍几种流量分析的技巧。
1. 统计分析统计分析是流量分析中最常用的技巧之一。
通过统计不同协议、应用程序或端口的流量量，可以获取网络的使用情况和趋势。
例如，可以分析HTTP流量的数量和流量峰值，以优化网络带宽分配。
2. 流量行为分析流量行为分析是通过观察流量中的模式和规律，以识别不正常的流量行为。
例如，异常的数据包大小分布可能是DDoS攻击的指示之一。
通过流量行为分析，可以及时发现和应对潜在的网络威胁。
3. 数据包分析数据包分析是深入剖析流量的一种方法。
它可以帮助我们理解每个数据包的结构和内容，以及它们的传输路径。
通过分析数据包，可以找到网络的瓶颈和延迟问题，并优化网络架构。
《网络流量分类研究》课件
通过流量分类，可以更好地了解网络瓶颈和性能瓶颈，从而进行有针对性的优化。
2 安全分析
流量分类可以帮助识别恶意流量和网络攻击，提高网络的安全性。
3 流量控制
通过对流量进行分类和控制，可以优化网络带宽的使用，提高网络的质量。
基于端口号的流量分类技术
基于端口号的流量分类技术是一种简单而常用的方法，它通过识别数据包的 源/目的端口号来进行流量分类。
基于IP地址的流量分类技术
基于IP地址的流量分类技术是一种常见的方法，它通过识别数据包的源/目的I技术是一种流行的方法，它通过识别数据包的协议类型 来进行流量分类。
基于深度学习的流量分类技术
基于深度学习的流量分类技术利用神经网络结构和深度学习算法对网络流量 进行分析和分类。
《网络流量分类研究》 PPT课件
在这个PPT课件中，我们将深入探讨网络流量分类的背景、意义和应用。探讨 各种流量分类方法，包括基于端口号、IP地址、协议、深度学习和机器学习的 技术。以及流量分类对网络管理、优化和流量控制的重要性。
研究背景与意义
网络流量分类是一项关键的研究领域，它对于网络性能优化、安全分析和流量控制至关重要。
网络流量分类的概念与定义
网络流量分类是指根据网络数据包的特征和属性将流量进行分类和标识，以便更好地理解和管理网络通信。
网络流量分类的分类标准
网络流量可以根据不同的标准进行分类，如协议类型、应用类型、源/目的地地址等。
常见的流量分类方法
基于端口号的流量分类技术
根据数据包的源/目的端口号进行流量分类，适 用于传统的网络应用。
基于协议的流量分类技术
根据数据包的协议类型进行流量分类，适用于区 分不同协议的网络流量。
基于IP地址的流量分类技术
流量研究报告
流量研究报告根据我所研究的数据和信息，以下是关于流量的研究报告：1. 流量的定义和分类：流量在计算机网络中指的是数据在网络中传输的速率。
根据流量的方向和目的，可以将其分为上传流量和下载流量。
此外，流量还可以按照传输协议进行分类，如HTTP流量、FTP流量、P2P流量等。
2. 流量的特征和变化：流量的特征取决于很多因素，包括网络拓扑、用户行为、应用程序类型等。
通常情况下，流量具有突发性、周期性和季节性的变化。
例如，在高峰时段（如上午9点和下午5点），网络上的流量通常会增加。
此外，特定应用程序（如在线视频和游戏）的流量也会因用户行为而变化。
3. 流量的测量和分析：为了对流量进行测量和分析，可以使用网络流量监测工具。
这些工具可以记录网络中的数据包，并提供有关流量的各种统计信息，如总流量、平均流量、峰值流量等。
此外，还可以通过使用流量分析算法来识别和分析特定应用程序的流量。
4. 流量管理和优化：对于网络运营商和企业来说，流量管理和优化是非常重要的。
通过对流量进行管理和优化，可以提高网络性能、减少拥塞，同时确保关键应用程序和服务的良好运行。
一些流量管理技术包括流量分类和分流、负载均衡、带宽控制等。
5. 流量的安全性：流量中可能存在安全隐患，如网络攻击、恶意软件传播等。
因此，对流量进行安全监测和分析也是很重要的。
一些安全技术，如入侵检测系统（IDS）、防火墙等，可以帮助识别和阻止恶意流量。
总结起来，流量的研究对于网络运营商、企业和用户来说都是关键的。
通过对流量的测量、分析、管理和安全监测，可以提高网络性能、保障服务质量，并提供更好的用户体验。
网络流量分类与分析技术研究综述
网络流量分类与分析技术研究综述网络流量是指通过网络传输的数据包的数量和速率。
在互联网时代，网络流量成为了信息传输的重要指标，通过对网络流量的分类和分析可以了解网络的使用情况、发现网络故障、提高网络性能等。
本文将对网络流量分类与分析技术进行综述，并介绍其应用领域和未来发展方向。
一、网络流量分类技术网络流量的分类是通过对流量数据包进行特征提取和识别，将流量划分为不同的类型。
常见的网络流量分类技术包括端口号识别、深度包检测、统计分析等。
1. 端口号识别端口号是TCP/IP协议中用于区分不同应用程序或服务的标识符。
通过识别数据包的源端口号和目的端口号，可以判断该流量所属的应用程序或服务。
例如，源端口号为80表示该流量属于Web浏览器的HTTP请求，而源端口号为443表示该流量属于使用HTTPS协议加密的Web服务。
2. 深度包检测深度包检测是指对数据包的负载进行深入分析，提取出更多的特征信息以进行分类。
深度包检测可以依靠不同的特征进行分类，比如协议头部信息、数据包长度、数据内容等。
通过深度包检测，可以识别出隐藏在加密协议中的流量类型，提高分类的准确性。
3. 统计分析统计分析是指通过对网络流量数据进行统计和分析，从中抽取出特征规律进行分类。
常见的统计方法包括数据包长度分布、时间序列分析、频谱分析等。
通过对流量数据的频率、持续时间、数据量等进行统计，并结合机器学习算法，可以建立分类模型，实现更精确的流量分类。
二、网络流量分析技术网络流量分析是指对网络流量数据进行解析、处理和分析，从中提取出有价值的信息和模式，为网络管理、安全监测、性能优化等提供支持。
常见的网络流量分析技术包括流量分析工具、数据挖掘、机器学习等。
1. 流量分析工具流量分析工具是一类专门用于捕获、存储和分析网络流量的软件工具。
其中最广泛使用的工具是Wireshark，它可以对网络流量进行抓包和分析，提供了丰富的功能和可视化界面，能够展现数据包的各个层级信息，并支持定制化的分析。
《网络流量分类研究》课件
未来研究将更加关注如何有效地提取和利用多维度特征，以及如何 处理特征选择和特征降维在网络流量分类中的应用。
THANKS 感谢观看
网络流量分类研究
• 网络流量分类概述 • 基于特征的网络流量分类 • 基于深度学习的网络流量分类
• 网络流量分类面临的挑战与解决 方案
• 网络流量分类研究展望
01 网络流量分类概述
定义与重要性
定义
网络流量分类是指将网络中的数据流 量按照其来源、目的、协议类型、内 容等进行分类，以便更好地管理、监 控模型的预测结果进行融合，提高分类 准确率。
超参数调整
通过调整模型超参数，如学习率、批大小等 ，优化模型性能。
特征选择
根据模型性能选择最重要的特征，降低特征 维度，提高分类效率。
模型融合
将不同类型的深度学习模型进行融合，利用 各自的优势，进一步提高分类性能。
04 网络流量分类面临的挑战与解决方案
模型式等。
模型泛化能力
总结词
模型泛化能力是指分类器在面对未知的、新 的网络流量时，能够正确分类的能力。
详细描述
网络流量分类的目的是为了识别未知的、新 的网络流量，因此分类器的泛化能力至关重 要。为了提高分类器的泛化能力，可以采用 集成学习、深度学习等方法，使分类器具有 更好的泛化性能。此外，可以通过调整超参 数、使用交叉验证等技术来避免过拟合和欠 拟合问题，进一步提高分类器的泛化能力。
数据稀疏性
总结词
数据稀疏性是指在网络流量分类中，某些类别的流量样本数量较少，导致分类器难以学习到这些类别的特征。
详细描述
在网络流量分类中，由于网络流量的多样性和复杂性，不同类别的流量样本数量往往存在较大差异，导致某些类 别的流量样本数量较少。这使得分类器难以学习到这些类别的特征，从而影响分类精度。为了解决数据稀疏性问 题，可以采用过采样、欠采样、生成合成样本等方法来平衡不同类别的样本数量。
网络流特征提取与流量分类方法
网络流特征提取与流量分类方法随着互联网的快速发展，网络流量的规模和复杂性也不断增加。
要有效管理和保护网络安全，对网络流量进行准确分类和识别变得至关重要。
本文将介绍网络流特征提取的方法及其在流量分类中的应用。
一、网络流特征提取方法网络流特征提取旨在从网络流量数据中提取出能够表征流量特征的关键信息。
常用的网络流特征提取方法有以下几种：1. 基于统计学的特征提取：该方法通过对网络流量数据进行统计分析，提取出统计学特征，如报文长度、传输时延、流量大小等。
这些统计学特征能较好地反映网络流量的特点和行为。
2. 基于频谱分析的特征提取：该方法利用频谱分析技术，对网络流量的时域信号进行频谱转换，提取出频谱特征，如频率分布、频率成分等。
通过频谱特征可以更好地揭示出网络流量中的周期性行为和频率特征。
3. 基于机器学习的特征提取：该方法利用机器学习算法，对网络流量数据进行训练和学习，从中自动提取出更高级的特征表示。
例如，可以通过卷积神经网络（CNN）对网络流量进行图像化表示，然后提取出图像的视觉特征。
二、流量分类方法流量分类是指将网络流量数据按照一定的规则或属性进行分类和标记的过程。
常用的流量分类方法包括以下几种：1. 基于端口和协议的分类：该方法根据网络流量中的端口号和协议类型进行分类。
不同的应用和服务通常使用不同的端口号和协议，通过对这些信息的提取和匹配，可以较好地对流量进行分类。
2. 基于特征匹配的分类：该方法通过将网络流量数据与已知的流量特征进行匹配，将流量分为不同的类别。
例如，可以构建一个特征库，里面包含了各种应用和攻击的特征信息，然后将网络流量与特征库中的信息进行比对和匹配。
3. 基于机器学习的分类：该方法利用机器学习算法对网络流量进行训练和分类。
通过提取网络流量的特征，并将其作为机器学习算法的输入，可以实现对网络流量的准确分类和识别。
三、流量分类的应用流量分类在网络管理、安全监测和QoS保证等方面具有广泛的应用价值：1. 网络管理：通过对网络流量进行分类和识别，可以实现对网络资源的合理分配和调度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
桂 林 电 子 科 技 大 Fra bibliotek 学 报 Ｊ ｕ ｎ ｌｏ ｉｉ ｉ ｅ ｓｔ ｆＥｌ ｃ ｒ ｎ ｃ Ｔ ｃ ｎｏ ｏ ｙ ｏ ｒ ａ ｆＣｕ ｌ Ｕｎ ｖ ｒ ｉｙ ｏ ｅ ｔ ｏ ｉ ｅ ｈ ｌ ｇ ｎ
Ｖｏ ． Ｏ Ｎｏ ３ Ｉ３ ， ．
ｎ ｔ ｒ ｎ ｇ ｍｅ ｔ ｅ ｗｏ ｋ ｍａ ａ ｅ ｎ ．Ｔｈ ｒ ｓ ｔ ｅ ｃ ｒ ｅ ｔｓｔ ａ ｉ ｎ ｔ ａ ｈ ｒ ｄ ｔ ｎ ｌｃａ ｓｆ ａ ｉｎ ｍｅ ｈ ｄ ｏ ｌ ｏ ｅ ｔ ｔ ｅ ｅ ｅ ｉ ｈ ｕ ｒ ｎ ｉ ｔ ｈ ｔｔ ｅ ｔａ ｉｉ ａ ｌｓ ｉ ｃ ｔｏ ｔ ｏ ｓ ｃ ｕ ｄ ｎ ｔｍ ｅ ｈ ｕ ｏ ｏ ｉ ｐ ａ ｍａ ｉ ｄ ｍ ａ ｄ ｆ ｎ ｔ ｒ ｍａ ａ ｅ ，ｗｈ ｃ ｈ ｍｅ ｈ ｄ ｒ ｂ ｓ ｄ ｏ ｅ ａ ｌ ｍａ ｃ ｅ ｏ ｔ ｎ ｍｂ ｒ ｎ ｒ ｇ ｔｃ ｅ ｎ ｓ ｏ ｅ ｗｏ ｋ ｎｇ ｒ ｉｈ ｔ ｅ ｔ ｏ ｓ ａ ｅ ａ ｅ ｎ ｄ ｆｕ ｔ ｔ ｈ ｄ ｐ ｒ ｕ ｅ ｓ ａ ｄ ｓ ｇ ａ ｕ ｅ ｎ ｌ ｓｓ ｉ ｎ ｔ ｒ ｓ ａ ａ ｙ ｉ ．Ａｉ ｎ ｔｔ ｅ ｅ ｉｔｎ ｒ ｂ ｅ ｓｏ ｈ ｒ ｄ ｔ ｎ ｌｍｅ ｈ ｄ ｎ ｉｓ ａ ｐ ｉａ ｉｎ，ｔ ｅ ｍｅ ｉ ｎ ｍｉ ｇ ａ ｈ ｘ ｓ ｉｇ ｐ ｏ ｌｍ ｆｔ ｅ ｔ ａ ｉ ｏ ａ ｔ ｏ ｓ ｉ ｔ ｐ ｌ ｔｏ ｉ ｃ ｈ ｒｔ ａ ｄ ｓ ｄ ｍｅ ｉ ｆ ｔ ｔ ｏ ｓ ａ ｅ ａ ａｙ ｅ ｎ ｏ ｅ ｒｔ ｏ ｗｏ ｍｅ ｈ ｄ ｒ ｎ ｌ ｚ ｄ ａ ｄ ｃ ｍｐ ｒ ｄ ｗｉ ｈ ｐ ｒ ａ ｈ ｂ ｓ ｄ ｏ ｒ ｆｉ ｈ ｒ ｃ ｅ ｉｔｃ ｐ ｌ ｉ ｇ ｓ ａ ｅ ｔ ｔ ｅ ａ ｐ ｏ ｃ ａ ｅ ｎ ｔ ａ ｆｃ ｃ ａ ａ ｔ ｒｓ ｉｓ ａ ｐ ｙ ｎ ｈ ｍａ ｈ ｎ ｅ ｒ ｉ ｇ ｔ ａ ａ ｅ ｎ ｄ ｖ ｌ ｐ ｄ ａ ｒ ｓ ｎ ． Ｓ ｕ ｉｓ ｓ ｏ ｔ ａ ｈ ｓ ｍｅ ｈ ｄ ｉ ｃ ｎ ｉｔ ｄ ｏ ｈ ｅ ｒｔ ａ ｃ ｉ ｅ ｌ ａ ｎ ｎ ｈ ｔｈ ｓ ｂ ｅ ｅ ｅｏ ｅ ｔ ｐ ｅ ｅ ｔ ｔ ｄ ｅ ｈ ｗ ｈ ｔｔ ｉ ｔ ｏ ｓ ｏ ｓｓ ｅ ｆ ｔ ｒ ｅ ｃ ｉｉ ｌ ｃ
Ａｂ ｔａ ｔ Ｎｅ ｗｏ ｋ ｔ ａ ｆｃ ｃａ ｓｆ ａ ｉｎ ｉ ｅ ｍｓ ｏ ｐ ｌ ａ ｉ ｎ ｔ ｐ ｓ ｔ ｅ ｆ ｓ ｔ ｐ ｉ ｒ ｅ ｏ ｒ ａ ｉｅ ｅ ｆ ｃ ｉ ｅ ｓ ｒ ｃ ： ｔ ｒ ｒ ｆｉ ｌ ｓ ｉ ｃ ｔｏ ｎ ｔ ｒ ｆ ａ ｐ ｉ ｔ ｙ ｅ ｉ ｈ ｉ ｔｓ ｅ ｎ ｏ ｄ ｒ ｔ ｅ ｌ ｆｅ ｔ ｉ ｃ ｏ ｒ ｚ ｖ
Ｈｕ Ｔｉ ｇ ．Ｗ ａ ｇ Ｙｏ ｇ ．Ｔａ ａ ｌ ｇ ｎ ｎ ｎ ｏ Ｘｉｏ ｉ ｎ
ｔ ． ｏ ｌｇ ｆＣ ｍｐ ｔｒＳ ｉｎ ｅａ ｄ Ｅ ｇｎ ｅｉ ｇ １ Ｃ ｌ ｅｏ ｏ ｅ ｕ ｅ ｃ ｃ ｎ ｎ ｉ ｅ ｒ ，Ｇｕｌ ｎｖ ｒｉ ｆ ｅ ｔｏ ｉ Ｔ ｃ ｎ ｌｇ ，Ｇｕｌ ４ ０ ４ ｈ ｎ ， ｅ ｎ ｉｎ Ｕ ｉｅ ｓｔ ｏ ｃ ｒ ｎｃ ｅ ｈ ｏｏ ｙ ｉ ｙ Ｅｌ ｉｎ ５ １ ０ ｔＣ ｉａ ｉ ２ Ｎ ｅｗｏ ｋ Ｃ ｎ ｅ ， ｕｌ ｎｖ ｒ ｉ ｆＥｌ ｔ ｎｃ Ｔｅ ｈ ｏｏ ｙ，Ｇｕｌ ４ ０ ４ ． ｔ ｒ ｅ ｔｒ Ｇ ｉｎ Ｕ ｉｅ ｓｔ ｏ ｅ ｒ ｉ ｉ ｙ ｃ ｏ ｃ ｎ ｌｇ ｉｎ ５ １ ０ ，Ｃ ｉ ａ ｉ ｈｎ ）
进 行准 确分 类 。
关键 词 ： 网络流量 ；分类方法 ；流统计特征 ； 机器学 习
中 图 分类 号 ： Ｐ ９ Ｔ ３３ 文献标识码 ： Ａ 文 章 编号 ：１ ７—０ Ｘ（０ ０ ０ —２ ６０ ６ ３８ ８ ２ １ ）３０ １—４
Ｃｏ ｐ ｒ ｓ ｎ ｒ ｓ ａ ｃ ｎ ｔ ｅ ｈｏ ｓ ｏ ｔ ｒ ｒ ｆ ｉ ｌ ｓ ｉ ｉ ａ ｉ ｎ ｍ ａ ｉ ｏ ｅ ｅ ｒ ｈ ｏ ｈｅ ｍ ｔ ｄ ｆ ｎｅ ｗｏ ｋ ｔ ａ ｆ ｃ ｃ ａ ｓ ｆ ｃ ｔｏ
Ｊ ｎ ２ １ ｕ ．０ ０
网络 流 量 分 类 方 法 的 比 较 研 究
胡 婷 ，王 勇 ，陶 晓玲
（ ． 林 电 子科 技 大 学 计 算机 科 学 与 工 程 学 院 ， 西 桂 林 ５ １０ ； １桂 广 ４ ０ ４ ２ 桂 林 电 子科 技 大 学 网络 中 心 ， 西 桂林 ５ １０ ） ． 广 ４ ０ ４
摘
要 ： 施 有 效 地 网络 管 理 ． 先 要 对 网络 流 量 按 照应 用 类 型 不 同 进 行 准 确 分 类 。由于 目前 传统 的基 于 端 口号 匹 实 首
配 和 特 征 字 段 分 析 的 流 量 分 类 方 法 不 能 很 好 的满 足 网 管 需 要 的 现 状 ， 此 ， 对 这 两 种 方 法 在 应 用 中 存 在 的 问 题 因 针 进 行 了 分 析 ， 与 目前 研 究较 多 的 基 于 流 统 计 特 征 的 机 器 学 习分 类 方 法 进 行 比较 。 究 后 结 果 表 明 ： 方 法 包 括 有 并 研 该 流 样 本 的 形成 、 征 选 择 过 程 和 机 器学 习 分 类 过 程 ３ 关 键 步 骤 ， 通 过 网络 流量 的统 计 特 征 ， 用 机 器 学 习 方 法 特 个 可 采