基于NetFlow流记录的高速应用流量分类方法

针对目前应用流量分类算法效率不高的现状,提出一种以NetFlow统计的IP流记录信息作为输入的高速应用流量分类(FATC,fast application-level traffic classification)算法。该算法采用基于简单相关系数的测度选择算法衡量测度变量间的相关关系,删除对分类无用或相互冗余的测度,而后使用基于Bayes判别法的分类算法将网络流量分至误判损失最小的应用类别中。理论分析及实验表明,FATC算法在具有超过95%的分类准确率基础上,极大降低了当前应用流量分类方法在训练和分类过程的时空复杂度,满足实时准确分类当前10Gbit/s主干信道网络流量的需求。     

高速网络中基于特定业务流的流量测量方法研究

介绍了目前国内外对高速网络进行流量测量采用的几种主要方法一标识大流法、修改网络协议栈法、抽样法和高性能硬件法，同时讨论了它们各自的不足，并分析了RPC2722测量方法在高速网络中存在的主要问题。针对这些问题，提出了一种基于特定业务流的流量测量方法．这种方法的关键在于设计一个高速流匹配算法和设计测量数据在内存的存储方法。论文提出的多阶段无冲突散列归并(MIPNCHM)流匹配算法，匹配速度可达2Mpps，内存消耗低。论文还提出了测量数据在内存记录和卸出的方法，可实现测量数据按分钟卸出，而时间粒度保持在秒。     

无线传感网与移动通信网融合业务流模型和预测算法研究

由于移动通信网和无线传感网各有特点,且各自的网络结构和协议栈差别较大,两网异构融合产生的多业务数据流量将同时具备局部性、周期性、随机性、突发性等多重特点,结构复杂,对网络运营能力及安全监测带来了技术难题。文中针对多业务流的场景,分析各类业务流模型的特点,提出一种基于异构网的融合业务流模型,并对业务流量通过预测算法进行预测。仿真结果表明,该模型算法的预测精度较高,为异构网的多业务融合起到了重要的支撑作用。     

一种大象流两级识别方法

基于大象流的识别准确度高且开销低,对于解决SDN流量管理过程中控制器单点故障问题具有重要意义.针对现有大象流识别方法识别开销大的问题,提出一种大象流两级识别方法.该方法在第一阶段提出基于TCP发送队列的可疑大象流识别算法,在第二阶段提出基于流持续时间的真实大象流识别算法;第一阶段是在端系统中识别可疑大象流,用于降低第二阶段真实大象流识别过程中SDN控制器所需监测的网络流数量.实验分析表明,在保证大象流识别的高准确度前提下,大象流两级识别方法较基于采样的大象流识别方法可以降低约85％的控制器识别开销.     

基于神经网络的业务量预测研究

分别采用back—propagation（BP）算法和Favidon最小二乘学习算法训练神经网络（NN），并用于复杂业务流量预测。以自相似流量模型验证了2种NN学习算法的有效性，并分析比较了他们在流量预测中的可行性，得出Davidon最小二乘学习算法训练的NN比BP算法收敛速度快、收敛误差相差不多，验证了复杂自相似业务流的可预测性，为复杂自相似网络业务流预测的研究提供了一种有效途径。     

TCP-Shape:一种改进的网络拥塞控制算法研究

网络拥塞是由于网络业务流不可预测的流量突发现象造成的.文章从考虑网络业务流突发现象产生的特点出发,采用可用带宽测量技术和流量整形技术,提出了一种针对传统网络拥塞控制算法的改进算法(TCP-Shape).改进后的拥塞控制算法能够快速地探测到网络链路中可用剩余带宽并能够有效地消除网络业务流中的突发现象.使得在网络业务流的吞吐量和数据报文段的丢失率等性能上,更加优越于传统拥塞控制算法所获得的性能.     

多核架构下实时IP流测量的硬件加速方法

提出了一种多核架构下实时IP 流测量的硬件加速方法.FPGA以线速捕获OC-192 链路数据报文,并将数据记录以IP 流为单位均衡至多个处理器核对应的亲核缓存队列中,利用流标识的多级散列值检测流表更新碰撞.实验表明,这种方法可以有效提高IP 流的分析速度,在数据包长75byte的情况下,能够实时线速处理OC-192速率的流量,对高速骨干网多并发流下业务流的在线识别和分析具有重要意义.     

基于抽样流长与完全抽样阈值的异常流自适应抽样算法

高速IP网络的流量测量与异常检测是网络测量领域研究的热点。针对目前网络流量测量算法对小流估计精度偏低,对异常流量筛选能力较差的缺陷,该文提出一种基于业务流已抽样长度与完全抽样阈值S的自适应流抽样算法(AFPT)。AFPT算法根据完全抽样阈值S筛选对异常流量敏感相关的小流,同时根据业务流已抽样长度自适应调整抽样概率。仿真和实验结果表明,AFPT算法的估计误差与理论上界相符,具有较强的异常流量筛选能力,能够有效提高异常检测算法的准确率。     

利用流量特征的GIDS报文分类优化算法

 本文结合流量的动态特征和入侵检测系统规则库的静态特征生成高性能报文分类树,提出了一个新的面向骨干网高速入侵检测的报文分类算法FlowCopySearch(FCS).改进在于:①从流量的新角度提出了最优分类树定义并引入分类域熵衡量每个分类域对于流量的分类能力;②将传统分类算法中每个报文都必须频繁执行的内存拷贝操作简化为每个流只执行一次内存拷贝操作,克服了报文分类算法的瓶颈.实验结果表明FCS更适用于骨干网大流量trace的报文分类,较之两种经典分类算法,分类速度提高了10.1%~45.1%,同时存储消耗降低了11.1%~36.6%.     

网络业务流的判定、分类和识别技术浅析

业务流测量是了解和分析网络流量和业务性能的一种重要手段。文章简要介绍了业务流测量的基本概念;系统说明了业务流测量涉及的关键技术：业务流判定技术、业务流分类技术和业务流识别技术;并重点阐述了业务流识别的几种常用方法。     

改进的BP神经网络在交通流量预测中应用

针对传统BP学习算法收敛速度慢,对步长依赖明显等缺点,提出一种利用搜索较优步长的BP算法.在网络训练中,能够在每次迭代中搜索出一个相对合理的步长,从而使步长的选择对学习速度的影响大大降低.对交通流量预测仿真结果表明,新算法对步长选择的依赖性小于传统BP算法.     

FD-DBN: Flow directed deep belief network for accurate anomaly detection in cloud computing

Security becomes the key concern in a cloud environment, as the servers are distributed throughout the globe and involve the circulation of highly sensitive data. Intrusions in the cloud are common because of the huge network traffic that paves the way for intruders to breach traditional security systems with sophisticated software. To avoid such problems, intrusion detection systems (IDSs) have been introduced by various researchers. Each IDS was developed to achieve a particular objective, that is, providing security by detecting intrusions. Most of the available IDS are inefficient and are unable to provide accurate classification. Also, some of them are computationally expensive to be implemented in practical scenarios. This article proposes a new and efficient IDS framework that can accurately classify the intrusion type through effective training to address the existing drawbacks. The proposed framework, named flow directed deep belief network (FD-DBN), involves three main phases: pre-processing, clustering, and classification. In pre-processing, certain data mining operations are carried out to clean the data. The clustering phase is carried out using the game-based k-means (GBKM) clustering algorithm. The clustered data is then provided as input to the FD-DBN classification framework, where the training process is carried out. The deep belief network (DBN) training is performed with dataset features, and the flow direction algorithm is adopted for tuning the weight parameters of DBN. Through tuning, the model yielded accurate classification outcomes. The simulations are done in Python 3.6, and the results proved that the proposed framework is much more effective than the existing IDS frameworks.     

基于遗传算法的属性约简

属性约简是知识发现的重要步骤。但从属性集中选择最优子集属于NP-hard问题。文章提出的遗传属性抽取算法，以属性的可分性度量为偏置，并引入禁忌表搜索策略，降低了搜索空间；采用退火选择来保持种群的个体多样性，防止未成熟收敛；算法内置的分类器采用人工神经网络，并提出了基于有监督聚类的人工神经网络分类算法，有效地降低了人工神经网络分类器的训练时间。实验分析表明，算法能够从高维数、大数据集合中有效降低数据维数。提高数据的分类准确性。     

基于统计的高效决策树分组分类算法

基于决策树的分组分类算法因易于实现和高效性,在快速分组分类中广泛使用。决策树算法的基本目标是构造一棵存储高效且查找时间复杂度低的决策树。设计了一种基于规则集统计特性和评价指标的决策树算法——HyperEC 算法。HyperEC算法避免了在构建决策树过程中决策树高度过高和存储空间膨胀的问题。HyperEC算法对IP地址长度不敏感,同样适用于IPv6的多维分组分类。实验证明,HyperEC算法当规则数量较少时,与HyperCuts基本相同,但随着规则数量的增加,该算法在决策树高度、存储空间占用和查找性能方面都明显优于经典的决策树算法。     

Multi‐robot Mapping Using Omnidirectional‐Vision SLAM Based on Fisheye Images

This paper proposes a global mapping algorithm for multiple robots from an omnidirectional‐vision simultaneous localization and mapping (SLAM) approach based on an object extraction method using Lucas–Kanade optical flow motion detection and images obtained through fisheye lenses mounted on robots. The multi‐robot mapping algorithm draws a global map by using map data obtained from all of the individual robots. Global mapping takes a long time to process because it exchanges map data from individual robots while searching all areas. An omnidirectional image sensor has many advantages for object detection and mapping because it can measure all information around a robot simultaneously. The process calculations of the correction algorithm are improved over existing methods by correcting only the object's feature points. The proposed algorithm has two steps: first, a local map is created based on an omnidirectional‐vision SLAM approach for individual robots. Second, a global map is generated by merging individual maps from multiple robots. The reliability of the proposed mapping algorithm is verified through a comparison of maps based on the proposed algorithm and real maps.     

面向城市交通网络的一种新型动态路径寻优方法

 针对静态路径寻优方法中没有考虑到交通流随时间变化的问题,本文提出一种基于交通流量预测的路径寻优方法.首先,从实际交通路网本身的特点和人类对路网的认识出发,构建以"道路"为基本元素的新型路网模型;其次,采用基于单变量时间序列的预测方法对路网上各路段未来一段时间内的道路交通流量进行预测,并根据预测结果估计出行者在未来时段各路段上的交通代价;再次,通过估计的交通代价把车辆从起点到该路段时间内的道路交通变化状况融入改进A^*算法的路径搜索过程,从而建立一种高效的动态改进A^*路径搜索算法;最后,实例表明预测交通流量与实际交通流量具有很好的拟合度,路径搜索结果能够对出行者起到诱导作用,提高出行者行驶效率.     

基于近邻传播聚类与核匹配追踪的遥感图像目标识别方法

核匹配追踪算法在生成函数字典的过程中常采用贪婪算法进行全局最优搜索,导致算法学习时间过长。该文针对这一缺陷,提出一种基于近邻传播(Affinity Propagation, AP)聚类与核匹配追踪相结合的分类方法(AP-Kernel Matching Pursuit, AP-KMP),该方法利用聚类算法来优化核匹配追踪算法中的字典划分过程,使用近邻传播聚类将目标数据集划分为若干小型字典空间,随后KMP算法在小型字典空间进行局部搜索,从而缩短学习时间。针对部分UCI数据集和遥感图像数据集,分别采用AP-KMP算法与另4种经典算法进行分类比较实验,结果表明该文算法在时间开销和分类性能上均有一定的优越性。     

基于免疫克隆与核匹配追踪的快速图像目标识别

为了避免核匹配追踪通过贪婪算法在基函数字典中寻找一组基函数的线性组合来逼近目标函数的计算量大的缺陷,本文利用免疫克隆选择算法全局最优和局部快速收敛的特性,加快对核匹配追踪算法每次的匹配过程进行优化,提出了一种免疫克隆核匹配追踪图像目标识别算法,该算法有效降低了核匹配追踪算法的计算量,对UCI数据集和遥感图像进行的仿真实验结果表明,相比标准核匹配追踪,该算法保持相当识别率情况下可以明显缩短一次匹配追踪的时间,尤其当字典规模较大时效果更为明显;同基于遗传算法优化相比,本文方法目标识别速度快,精度高。     

基于最优参数搜索的车辆中网识别方法研究

目前国内外车型识别方法中基于中网区域特征的研究较少,且分类识别的效率和精度较低。该文在分析中网格栅区域结构特征、中网窗口形状特征及区域纹理特征的基础上,提出基于最优参数搜索的改进型C参数的支持向量分类(C-SVC)车辆中网分类识别方法,该方法采用双角度约束以提高分类的效率和精度,即一方面设计基于马氏距离和a-原则对样本数据进行优化分选,并结合加权判别算法加快支持向量机的训练测试速度,以提高算法泛化效率;另一方面在核函数参数设定过程中,设计了基于先验知识的迭代最优参数搜索算法,以提高分类器的分类识别精度。实验表明,上述车辆中网识别方法检测准确率达到97.53%,具有精度高、误检率低的优点,同时极大优化分类识别效率,能够满足识别分类的实时性要求。     

基于最短划分距离的网络流量决策树分类方法

对不同类别的应用数据流,根据其在最初若干分组中进行握手和参数协商的差异性,通过通信模式、载荷长度以及信息熵等特征,采用基于最短划分距离的方法构建决策树模型,对其进行流量分类。经过在4个不同类型的真实网络数据集上的离线分类实验,以及在校园网环境中的在线流量分类实验。结果表明该模型对8种常见协议的网络流量,分析其前4到6个分组的特征,能够在分类准确性和系统开销上取得较好的效果。与其他机器学习算法相比,该模型构建的决策树规模较小,分类时间较短,适合于实时流量分类问题。