免费论文摘要：鉴于呆板进修的及时搜集流量分门别类接洽

跟着计划机搜集范围的连接夸大和搜集用户的连接介入，互联网络中每天都充溢着洪量的搜集流量。网管职员面临如许洪量的搜集流时，常常莫衷一是。由此，搜集处置和搜集丈量领会越来越被人们所关心。同声，搜集消息湮没和搜集端口臆造等本领在P2P交易中的普遍运用使得搜集流量辨别难上加难。正文对准这一情景给出不妨贯串呆板进修和数据发掘的本领对搜集流举行辨别，并将辨别后的统计消息展现给网管职员。正文接洽及时情况下的搜集流量的个性，沿用鉴于PACKET-LEVEL的搜集流特性序列—（里面达到功夫，包负载巨细）来表征一个搜集流，并在此普通上，以搜集流特性序列动作输出创造表征搜集流运用典型的PLGMM-HMM（PACKET-LEVEL序列高斯搀和散布的隐马尔可夫模子，PACKET-LEVEL Gaussian Mixture Model-Hidden Markov Model）模子。在模子演练的进程中，正文对准保守的Baum-Welch（BW）演练算法很难决定初始参数且多序列演练时精度下溢引导演练功夫拉长或精度不够的情景，提出鉴于分段KMeans并贯串BIC（Bayesian Information Criterion）规则的模子演练算法。从试验中表白，对于长序列、序列量较大的模子进修，鉴于分段KMeans的演练算法演练功夫要优于BW算法。同声，按照确定试验表白，正文给出的PLGMM-HMM在辨别精确率上不低于同典型的其余两种辨别模子。按照所给出的PLGMM-HMM模子，舆论结果实行了一个搜集流的及时辨别体例。该体例调整了数据搜集、特性索取、模子演练、搜集流辨别、截止展现及保存等功效。体例过程一段功夫的演练进修后，就能对搜集回顾的搜集流举行在线辨别。正文经过试验证明，该搜集流及时辨别体例不妨辨别臆造为HTTP流的P2P搜集流，说领会本体例的精确性。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://87cpy.com/200890.html