基于流中前 5 个包的在线流量分类特征

针对在线流量分类所面临的特征计算复杂和分类性能不稳定问题,利用流开始的前 5 个数据包（排除三次握手数据包）,计算数据包大小、负载大小和到达间隔时间等网络流量的统计特征,通过分析 3 种机器学习算法（C4. 5、BayesNet 和NBTree）分类的结果,研究可用于在线流量分类的特征以及这些特征应该满足的条件。实验结果表明,所提特征计算简单,能快速有效地区分不同的流量,对于不同的机器学习算法,均取得了较高的分类准确率（92%以上）,适用于在线流量分类。     

基于流量统计特征的潜在威胁用户挖掘方法

为有效的从网络中挖掘出潜在威胁用户,提出了一种基于网络流量统计特征的异常用户挖掘方法。通过分析用户的网络流量,归纳出刻画网络流量集合的13个特征属性,包含网络流大小、数据包大小、数据包持续时间、数据包对称度等。在此基础上采用熵权决策法对每个特征选取合适的权重,计算出用户的行为威胁度,根据威胁度的大小和预先定义的阈值,将用户归为不同的威胁度分类等级。真实网络流量的实验结果显示,所提出的方法能够准确的实现潜在威胁的挖掘。     

面向服务等级的网络流多任务分类方法

在网络流分类实践中,网络运营商通常只需要知道网络流所需的服务类别(class of service, CoS),就可对网络流优先级和资源分配做出决定。为了满足用户对体验质量的需求,提出了面向服务等级的网络流多任务分类方法。该方法是直接进行面向CoS的流分类,而不需要推断应用类型。同时提出多任务框架,利用领域知识定义宏特征组及应用合作博弈中的Shapley Value模型来合理分析特征,并用决策树分箱来解决CoS阈值划分问题。采用真实网络数据集进行实验,通过在少量标记数据的情况下,优化网络参数和调整各网络模型时间损耗和分类准确性的稳定相关系数。结果表明,该方法分类准确度(提高了12.66%)和时间消耗(减少了39.23%)性能优于现有文献方法,同时分析了多分类实验结果并给出有关建议。     

基于深度增强学习的网络数据包分类算法研究

提出一种深度增强学习方法来解决网络数据包分类问题。本方法DeepCut使用简洁的表示形式来编码状态和动作空间,并有效地探索候选决策树以针对全局目标进行优化。DeepCut能构建针对特定规则集和性能优化目标的决策树。实验结果表明,与现有的方法相比,DeepCut能有效地减少数据包的分类时间,同时减少了算法运行的内存占用。     

基于时序流的移动流量实时分类方法

移动互联网的快速发展,产生了网络测量、网络安全和服务质量等方面的新问题.为了深入研究移动互联网的特性,研究人员需要从传统网络流量中快速准确分类出移动流量.本文提出了一种采用轻量级流表与深度数据包检测技术（DPI）相结合的移动流量实时分类方法,将网络流按照时间间隔关系扩展为时序流,并通过DPI时序流前N个特征数据包准确地分类出移动流量,缩减了流表规模,减少了实际DPI开销.通过实时的网络流量实验表明,DPI时序流前8个特征数据包时,提出的方法识别准确率达到91.55%,单次深度数据包检测的平均开销为20个数据包,并且流表的规模缩减到原来的0.21%.与P0F比较,方法识别准确率等性能有明显提升.      

网络数据包到达速率的混沌特性分析及其短期预测

本文利用关联维法分析了以太网数据包到达速率数据的混沌特性，在此基础上，结合相空间重构技术，利用混沌时间序列的局域一阶预测法对其进行了预测，预测结果表明该混沌预测方法能够对网络数据包到达速率取得很好的预测效果．这为进一步研究网络流量提供了基础，也为网络数据包到达速率具有混沌特性提供了新的依据．     

一种多特征融合的加密流量快速分类方法

网络流量识别是网络管理和安全服务的基础.随着互联网的不断扩展及其复杂性的增加,传统基于规则的识别方法或流行为特征的方法正在面临着巨大挑战.受自然语言处理（Nature Language Processing, NLP）启发,本文提出了一种多特征融合的加密流量快速分类方法.该方法通过融合数据包和字节序列特征来完成网络流的特征表示,采用双元字节编码将所选特征扩展为双字节序列,增加了字节的上下文语义特征;通过与数据包特征处理相适应的池化方法来最大限度保留数据包的特征信息,从而使所提模型具有更强的抗噪能力和更精确的分类能力.本文方法分别在ISCX-2016和一个包含66个热门应用程序的私有数据集（ETD66）上进行验证,并与其他模型展开比较.结果表明：本文所提方法在ISCX-2016及ETD66上的测试精度和性能都明显优于其他流量分类模型,分别取得了98.2%和98.6%的识别准确率,从而证明了所提方法的特征提取能力和强泛化能力.     

基于变化分组时隙窗口的新型流水印技术

为了解决当前网络数据包在嵌入水印时需要对数据包的内容进行修改以及分组方式单一性的问题,通过理论分析和计算,提出一种基于变化分组时隙窗口的新型流水印技术.给出了交替变化的时隙窗口划分的具体操作步骤及调制数据包发送延迟平均值的规则,同时采用码分复用技术对水印信息进行扩展后再传输,增强其纠错能力.为验证新技术的性能,模拟了不同网络环境,分别进行多次测试,同时用两种相似率计算方法计算检测率值的大小.试验结果表明,抖动时间均值超过6 ms时,新型水印技术检测率高于原始分组技术28%;另外若在抖动均值范围小于10 ms时,新型水印技术检测的误码率均值低于0.49,而原始水印误码率高于0.5.比较可知,新技术能明显提高检测率,性能良好.     

基于OPNET的CSMA/CD仿真与性能研究

本文针对应用了CSMA/CD协议的总线型局域网进行仿真，研究数据包大小对网络性能的影响。首先介绍了OPNET[1]仿真平台，随后概括说明使用CSMA/CD协议的以太网的碰撞窗口的计算方法，由计算公式推导出发送的数据包越大、使用CSMA/CD协议的以太网性能越高的推论，并使用 OPNET 软件进行了仿真实验证明了推论。     

结合果蝇优化算法的PI主动队列管理方法

为解决PI(Proportional Integral)算法收敛速度慢的问题,结合果蝇优化算法提出一种新的PI主动队列管理算法(PIFF).阐述PI主动队列管理机制及丢包率计算方法,结合队长和到达速率定义丢包策略,利用果蝇优化算法刻画了数据包瞬时状态.通过NS2和Matlab进行仿真实验,深入分析了影响该算法的关键因素,对比研究了该算法与其它算法之间的性能状况.研究结果表明:在长期TCP会话数下PIFF能够减少数据包排队时延,有效缓解网络拥塞.     

基于高速网络环境的Snort主动包过滤预处理器研究

提出一种Snort主动包过滤预处理插件,在高速网络环境下,通过主动丢弃对检测误报率影响较小的数据包减轻系统负载,避免Snort在超负荷运行情况下的随机丢包现象。由于异常数据包主要来自于每个网络流前面的一定数量的数据包。因此,该预处理器实时地监控Snort的负载变化,当检测引擎负载超过一定阈值时,主动过滤掉网络流后面的正常数据包。实验表明,使用主动包过滤预处理器并采用一定的Snort调整行为可以在保证较低误报率的前提下有效降低Snort的漏报率,提高系统的检测效率。     

随机分组抽样下流大小分布估计

流大小分布是网络测量中一个重要的度量。已有的研究表明在MLE（极大似然估计）算法中运用TCP流的协议信息能够更好的估计流大小分布。本文详细比较了运用TCP流的SYN包和TCP序列号信息的几种MLE算法，并在此基础上结合实际应用提出了一种对小流采取细粒度、对大流采取粗粒度的非均匀粒度的流大小估计算法。实验结果表明，该算法在减少了MLE估计计算量的同时，提高了粗粒度后大流估计精度。     

随机分组抽样下流大小的分布估计

为提高流大小分布估计的精度,比较了运用TCP流的SYN包和TCP序列号信息的几种极大似然估计(MLE)算法.结果表明,运用TCP流中的SYN包和SEQ信息对流大小的分布估计比单纯的抽样估计具有更高的准确性,其中在样本流中同时运用SYN包和SEQ信息的估计效果最佳.在此基础上结合实际提出了一种对小流采取细粒度、对大流采取粗粒度的流大小非均匀粒度分布估计算法,并以实例验证了该方法的适用性.结果表明,该方法在减少算法计算量的情况下,提高了对大流的估计精度.     

BT小包流量识别技术研究

由于网络中BT流量给带宽资源带来的沉重负担,识别BT流并对其进行控制显得尤为重要。通过分析BT协议和比较BT、迅雷等实际传输数据,找出BT传输中的流量特征来识别BT流。通过实验得出数据传输中信息包有效载荷大小5个字节的数据包是BT流的流量特征,并验证该技术对BT流的识别具有一定的价值。     

HOT和BOT研究及改进

为提高数据包分类的速度，通过trie数据结构，分析了数据包分类问题中两个重要的动态数据包分类算法HOT和BOT，在此基础上针对某些常用的情形，改进了HOT和BOT算法，加快了数据包分类的速度，同时降低了时间和空间复杂度，提高了网络速度．     

网络信息审计系统中的实时网页分类方法

为了实现网络信息审计系统中的实时网页分类，提出了一种基于Dempster-Shafer证据理论的分类新方法．其基本思路是：不进行IP分片包重组，直接将网页地址特征和分片数据包作为分类的证据，计算各个证据对类的支持度，然后利用Dempster证据组合规则将各种证据提供的信息进行不断地在线融合判决，并最终给出网页的分类结果．当已有证据可以对网页进行有效分类时，对后续数据包不再做进一步处理．实验结果表明，所提方法的查准率大于83％，查全率大于90%，在分类性能和运行时间上均优于已有的基于分片的模糊K最近邻分类算法．     

基于动态矩阵方法的网络控制系统补偿策略

针对网络控制系统数据包不确定的问题,分析了该特性对网络控制系统的影响以及目前的控制方法,设计了控制器节点由事件-时间驱动,传感器节点和执行器节点由时间驱动的分布式网络控制系统模型.在此基础上,根据预测控制中动态矩阵方法具有的简单实用的特点,提出了基于动态矩阵方法的时延控制和数据包丢失补偿策略.应用此策略进行了仿真,结果表明补偿后的系统输出与存在网络时延,但数据包按时到达的系统输出几乎一致,验证了该策略的有效性.     

IP数据包传输稳定性测试技术研究与开发

针对IP数据包在大型网络上传输可能遇到的数据包时延、数据包重复、数据包丢弃、数据包、顺序偏移、数据包错误等多种损伤或情况，研究了IP数据包传输稳定性测试技术，提出了适用于网络设备IP数据包传输稳定性测试的测试用例设计方法并进行测试用例设计，开发了传输稳定性测试工具，运用该工具对网络设备IP数据包传输稳定性进行了测试。     

基于PSO＿BP神经网络的固有无序蛋白质预测

通过对蛋白质有序-无序区域分析,找到表示氨基酸的34维特征.其中,样本熵是用于计算时间序列复杂度的参数,通过比较20种氨基酸在两种区域的出现频率,将其对应为0-9的时间序列,从而计算蛋白质的复杂度.另外,使用长度为35的滑动窗口将相邻氨基酸联系起来,提高了预测准确度.最后,使用粒子群算法优化BP神经网络的节点参数,训练并实现有序-无序分类的5个网络,取均值后转化为有序-无序输出.使用DisProt数据集和R80数据集分别进行十折交叉验证,预测准确率分别达76%和87%以上.     

IP数据包传输稳定性测试技术研究与开发

针对IP数据包在大型网络上传输可能遇到的数据包时延、数据包重复、数据包丢弃、数据包顺序偏移、数据包错误等多种损伤或情况，研究了IP数据包传输稳定性测试技术，提出了适用于网络设备IP数据包传输稳定性测试的测试用例设计方法并进行测试用例设计，开发了传输稳定性测试工具，运用该工具对网络设备IP数据包传输稳定性进行了测试。