化工自动化及仪表
化工自動化及儀錶
화공자동화급의표
CONTROL AND INSTRUMENTS IN CHEMICAL INDUSTRY
2013年
4期
515-518,551
,共5页
P2P流量识别%BP神经网络聚类算法%标记与聚类%加密流量
P2P流量識彆%BP神經網絡聚類算法%標記與聚類%加密流量
P2P류량식별%BP신경망락취류산법%표기여취류%가밀류량
P2P traffic identification%BP neural network clustering algorithm%marking and clustering%encrypted traffic
在研究有监督机器学习算法中的BP神经网络算法和无监督的机器学习算法中的k-means聚类算法的基础上,提出一种半监督的BP神经网络聚类算法对P2P流量进行识别.该算法具有有监督和无监督的机器学习算法的优点,能快速地进行精确的流量识别,即取少量离线的流量样本进行标记与分类,然后利用分类结果为聚类中心对大量在线流量进行聚类识别.这样既提高了效率,又能保证结果的准确性.利用BP神经网络对所采集的少量流量数据中每个流按包大小标准差、变换频率、平均值、包数目和总字节数5个特征进行分类,得出分类结果的特征均值,对大量的在线数据进行指导聚类.多次实际网络测试结果的准确率很高,证明该算法模型是可行的.
在研究有鑑督機器學習算法中的BP神經網絡算法和無鑑督的機器學習算法中的k-means聚類算法的基礎上,提齣一種半鑑督的BP神經網絡聚類算法對P2P流量進行識彆.該算法具有有鑑督和無鑑督的機器學習算法的優點,能快速地進行精確的流量識彆,即取少量離線的流量樣本進行標記與分類,然後利用分類結果為聚類中心對大量在線流量進行聚類識彆.這樣既提高瞭效率,又能保證結果的準確性.利用BP神經網絡對所採集的少量流量數據中每箇流按包大小標準差、變換頻率、平均值、包數目和總字節數5箇特徵進行分類,得齣分類結果的特徵均值,對大量的在線數據進行指導聚類.多次實際網絡測試結果的準確率很高,證明該算法模型是可行的.
재연구유감독궤기학습산법중적BP신경망락산법화무감독적궤기학습산법중적k-means취류산법적기출상,제출일충반감독적BP신경망락취류산법대P2P류량진행식별.해산법구유유감독화무감독적궤기학습산법적우점,능쾌속지진행정학적류량식별,즉취소량리선적류량양본진행표기여분류,연후이용분류결과위취류중심대대량재선류량진행취류식별.저양기제고료효솔,우능보증결과적준학성.이용BP신경망락대소채집적소량류량수거중매개류안포대소표준차、변환빈솔、평균치、포수목화총자절수5개특정진행분류,득출분류결과적특정균치,대대량적재선수거진행지도취류.다차실제망락측시결과적준학솔흔고,증명해산법모형시가행적.
