基于流相关性的网络流量分类_赵英.pdfVIP

Computer Engineering and Applications 计算机工程与应用 2015 ，51（21 ） 25 基于流相关性的网络流量分类 赵 英，陈骏君 ZHAO Ying, CHEN Junjun 北京化工大学 信息科学与技术学院，北京 100029 College of Information Science and Technology, Beijing University of Chemical Technology, Beijing 100029, China ZHAO Ying, CHEN Junjun. Network traffic classification based on correlation of flows. Computer Engineering and Applications, 2015, 51 （21 ）：25-29. Abstract: Network traffic classification is elementary to network security and management. With the development of net- work and information technology, the limitation of traditional port-based and payload-based classification approaches is that they can not classify network traffics accurately. This paper proposes a new semi-supervised approach based on corre- lation of flows, which is formulated by an MDL-CON Gaussian mixture model. In the process of cluster, the correlation between different flows is used to improve the quality of resultant traffic clusters, and the MDL rule is applied to solve preset clusters number and initialization issue. Experiments show that this approach can significantly improve the accuracy of traffic classification. Key words: traffic classification; cluster algorithm; Gaussian mixture model; Minimum Description Length （MDL ）criterion 摘 要：网络流量分类技术对网络安全管理起着非常重要的作用。随着网络和信息技术的发展，传统的基于端口号 和深度包检测分类方法的局限性愈发明显，不能对现有的流量进行准确分类。提出一种基于流相关性的半监督网 络流量分类算法，并使用MDL-CON 高斯混合模型作为聚类模型，通过聚类过程中利用流之间的相关性提高模型的 准确度。采用MDL 准则解决了高斯混合模型需要人为预先设定类簇数目和高度依赖于初始值的问题。实验结果 表明，利用该方法来处理流量分类问题可取得理想的分类效果。 关键词：流量分类；聚类算法；高斯混合模型；最小描述长度（MDL ）准则 文献标志码：A 中图分类号：TP393 doi ：10.3778/j.issn. 1002-8331.1506-0241 近年来，随着互联网规模不断扩大，网络流量分类 机器学习方法具有分类准确、快速的特点，但其分类性 在增强互联网可控性、保障网络安全等方面起着日益重 能的好坏依赖于训练集的选择，并且有监督机器学习方 要的作用[1] 。通过对网络流量类型进行分析，网络管理 法往往需要大量的带标记的训练样本。对于无监督的 人员可以在细粒度层次上规划网络流量、平衡网络资 聚类算法，其缺点是准确率不高，并且类簇数需要