公开(公告)号：CN104144089B

公开(公告)日：2017-06-16

申请号：CN201410382172.X

申请日：2014-08-06

Applicant: 山东大学

Inventor： 刘琚 ,  王晓明 ,  郑丽娜 ,  彭寿钧 ,  郭志鑫 ,  马衍庆 ,  孙国霞

IPC: H04L12/26

Abstract: 本发明通过获取简单的数据包包头信息生成特征值，从中选择合适的特征值作为BP神经网络的输入，得到样本训练集，然后实施抓取网络数据流提取特征作为BP神经网络的输入进行实时识别。时间窗的方法提取的特征值具有可扩展性且易于实现。选择三层的神经网络作为实现方案，通过粒子群算法(Particle Swarm Optimization，PSO)寻找具有全局最优特性的初始化权值，BP神经网络采用分布、并行的网状结构进行训练学习，使其容错性更高，处理速度更快，可以更好的完成实时识别。同时，BP神经网络是通过全局寻优的方式进行训练的，因此也具有很高的泛化能力，可以应对未来更复杂和多样的网络环境。

公开(公告)号：CN104052639B

公开(公告)日：2017-03-22

申请号：CN201410313090.X

申请日：2014-07-02

Applicant: 山东大学

Inventor： 刘琚 ,  马衍庆 ,  乔美华 ,  于智源 ,  郭志鑫

IPC: H04L12/26

Abstract: 针对现有网络流量识别方法存在的问题，提供一种基于支持向量机的低复杂度、高识别准确率、可实时的网络流量识别方法。此方法采用“时间窗口法”只从网络流的数据包头获取简单有效的特征，并选用算法复杂度低、运算量小的支持向量机算法，使其不仅能够快速建模生成分类器，而且在小样本情况下就能达到很高的识别准确率，还可以在任何时间点对网络流的多种应用进行测量识别，满足实时多应用的需求。

公开(公告)号：CN104144089A

公开(公告)日：2014-11-12

申请号：CN201410382172.X

申请日：2014-08-06

Applicant: 山东大学

Inventor： 刘琚 ,  王晓明 ,  郑丽娜 ,  彭寿钧 ,  郭志鑫 ,  马衍庆 ,  孙国霞

IPC: H04L12/26

Abstract: 本发明通过获取简单的数据包包头信息生成特征值，从中选择合适的特征值作为BP神经网络的输入，得到样本训练集，然后实施抓取网络数据流提取特征作为BP神经网络的输入进行实时识别。时间窗的方法提取的特征值具有可扩展性且易于实现。选择三层的神经网络作为实现方案，通过粒子群算法(Particle Swarm Optimization，PSO)寻找具有全局最优特性的初始化权值，BP神经网络采用分布、并行的网状结构进行训练学习，使其容错性更高，处理速度更快，可以更好的完成实时识别。同时，BP神经网络是通过全局寻优的方式进行训练的，因此也具有很高的泛化能力，可以应对未来更复杂和多样的网络环境。

公开(公告)号：CN104052639A

公开(公告)日：2014-09-17

申请号：CN201410313090.X

申请日：2014-07-02

Applicant: 山东大学

Inventor： 刘琚 ,  马衍庆 ,  乔美华 ,  于智源 ,  郭志鑫

IPC: H04L12/26

Abstract: 针对现有网络流量识别方法存在的问题，提供一种基于支持向量机的低复杂度、高识别准确率、可实时的网络流量识别方法。此方法采用“时间窗口法”只从网络流的数据包头获取简单有效的特征，并选用算法复杂度低、运算量小的支持向量机算法，使其不仅能够快速建模生成分类器，而且在小样本情况下就能达到很高的识别准确率，还可以在任何时间点对网络流的多种应用进行测量识别，满足实时多应用的需求。