论文部分内容阅读
随着网络应用日趋复杂化和通信技术的发展,网络带宽持续提高,网络流量不断增长且呈现多样化,传统的网络流量分类方法已不能满足需求。针对高速网络流量分类问题,将简单、高效的朴素贝叶斯(Na?ve Bayes,NB)方法引入网络流量分类中,对其进行基于FPGA(Field Programmable Gate Array,现场可编程逻辑阵列)的建模设计,并构建基于NetFPGA的分层网络流量分类模型,以实现实时、准确的高速网络流量分类。论文的主要创新工作有: 由于传统软件实现的NB网络流量分类方法分类速度慢,不能满足高速网络流量的分类要求,提出基于FPGA的NB网络流量分类方法。该方法采用FPGA对NB分类过程采用流水并行计算,同时分类过程中根据网络环境要求和实际分类效果对FPGA上的分类决策进行定期更新,从而保证网络流量分类的高效性。实验结果表明,该方法与传统软件实现的NB网络流量分类方法相比,具有更高的实时性。 为了改善NB方法的条件独立性假设,提高分类性能,改进基于FPGA的NB网络流量分类方法,提出基于FPGA的二次加权网络流量分类方法。该方法通过使用互信息加权对各特征属性在网络流量分类过程中的权重进行修正,并采用样本空间加权对网络流量分类中的样本空间进行合理估计,从而更准确的反映实际网络环境。对该方法进行基于FPGA的建模仿真测试,结果表明该方法条件独立性假设得到了明显改善,分类效果也得到了显著提升。 提出一个基于NetFPGA的分层网络流量分类模型。该方法将基于模式匹配和基于机器学习(Machine Learning,ML)的网络流量分类方法有效结合,并通过NetFPGA对分层分类方法进行加速,在保证分类精度的同时有效提高分类速度。实验结果表明,基于NetFPGA的分层网络流量分类模型性能良好,且其输出结果易于管理分析。