公共文化服务平台

搜索到63篇“ INTERNET流量“的相关文章

基于柔性神经树的Internet流量早期识别模型: 2015年; 在互联网产生的早期阶段对其进行准确有效的识别,对于网络管理和网络安全来说都有着极其重要的意义。鉴于此,近年来越来越多的研究致力于仅仅基于流量早期的数个数据包,建立有效的机器学习模型对其进行识别。本文力图基于柔性神经树(FNT)构建有效的互联网流量早期识别模型。两个开放数据集和一个实验室采集的数据集用于实验研究,并将FNT与8种经典算法进行对比。实验结果表明,FNT在大多数情况下,其识别率和误报率指标优于其他算法,这说明FNT是一种有效的流量早期识别模型。; 彭立志张宏莉

学生Internet流量使用分析: 2014年; 从网络流量、网络协议使用情况、各网络协议使用流量情况、高峰期流量使用情况等几方面对学生典型上网特征进行了初步分析,探究高职在校学生对Internet的使用情况及特点。; 裴纯孟治强; 关键词：INTERNET

Internet流量模型分析与评述被引量：96: 2011年; Internet流量模型对网络性能管理、QoS、准入控制等都有很重要的意义和作用.首先总结了现阶段已发现的主要网络流量的特性及相关度量参数,概要地介绍网络流量建模的意义和分类,然后按照"传统-自相似-流量建模的新发展"这3个阶段阐述网络流量建模的发展历程与最新的研究成果,最后针对目前网络流量建模中存在的难点问题,展望了该领域未来的研究发展方向.; 张宾杨家海吴建平; 关键词：网络流量模型自相似长相关分形

尺度变换下Internet流量的Gamma特征被引量：1: 2011年; 网络流量特征分析与研究对流量产生和流量工程具有重要意义.现有工作集中在特定尺度下考察分析.基于不同地点采集得到的流量集合,采用尺度变换的方法,以时间间隔与数据包个数作为尺度变换的对象,分析不同粒度下流量特征,发现网络流量在特定尺度范围之上满足Gamma分布的特征.且在传输层上表现有所不同,TCP流量在特定尺度范围之上满足Gamma分布,UDP流量则在任何尺度都无明确的统计分布特征.; 张广兴谢高岗张大方; 关键词：GAMMA分布

基于复杂网络的Internet流量分析: 2011年; 基于复杂网络理论对Internet网络结构进行分析,模拟Internet网络中选择服务器的过程,建立一个基于距离和流量的Internet自组织网络结构模型(FDM)。通过仿真Internet网络数据传输过程,分析比较FDM与BBV模型的丢包率,研究Internet网络中心连接节点的缓存器容量、处理器速度对网络流量的影响。; 路兰杨洪勇; 关键词：复杂网络网络流量丢包率

Internet流量识别基础数据采集技术的研究被引量：1: 2011年; 为对网络流量进行准确的分类,对比了基于主干网和基于主机的两种流量采集方案,探讨了这些采集系统的主要作用、采集流量的过程以及如何为采集的流量打上真实应用信息的标记,同时指出现有流量采集方案的优势和不足。; 赵彩云杨波彭立志陈贞翔

Internet流量识别技术研究被引量：11: 2010年; 流量识别是指根据网络流以及流中数据报文的某些信息将网络上的流分成若干既定的类别.随着网络的高速化,业务应用和协议日趋复杂,传统的基于端口的流量识别方法已经不够准确,因此各种新的识别方法成为研究热点.本文在介绍流量识别的基本概念、流量识别的评价指标的基础上,对目前正在使用或研究的流量识别方法进行了分析比较,指出了现有各种方法的优点和不足,最后给出未来流量识别技术的发展趋势和研究方向.; 赵国锋吉朝明徐川

基于机器学习的Internet流量分类被引量：5: 2010年; 提出了基于机器学习的Internet流量分类框架,研究了支持向量机(SVM)在权威流量数据集全部子集上的分类效果和特征选择对分类效果的影响。实验结果表明,SVM对流量分类问题具有较高的分类精度和稳定性,通过特征选择,可以有效降低数据的维数,并一定程度上提高分类的精度。; 许孟晋张博锋; 关键词：支持向量机

Internet流量分类技术研究: 网络流的准确分类是许多网络研究工作的基础，一直是网络测量领域的研究热点，近年来涌现出许多新颖的流量分类技术。简要介绍流量分类技术的现状，分析目前流量分类技术，如有效载荷分析分类、统计分类、机器学习分类和TDGs推理等分类...; 秦董洪杨家海; 关键词：网络测量统计学习; 文献传递

基于支持向量机的Internet流量分类研究被引量：66: 2009年; 准确的网络流量分类是众多网络研究工作的基础,也一直是网络测量领域的研究热点.近年来,利用机器学习方法处理流量分类问题成为了该领域一个新兴的研究方向.在目前研究中应用较多的是朴素贝叶斯(nave Bayes,NB)及其改进算法.这些方法具有实现简单、分类高效的特点.但该方法过分依赖于样本空间的分布,具有内在的不稳定性.因此,提出一种基于支持向量机(support vector machine,SVM)的流量分类方法.该方法利用非线性变换和结构风险最小化(structural risk minimization,SRM)原则将流量分类问题转化为二次寻优问题,具有良好的分类准确率和稳定性.在理论分析的基础上,通过在实际网络流集合上与朴素贝叶斯算法的对比实验,可以看出使用支持向量机方法处理流量分类问题,具有以下3个优势:1)网络流属性不必满足条件独立假设,无须进行属性过滤;2)能够在先验知识相对不足的情况下,仍保持较高的分类准确率;3)不依赖于样本空间的分布,具有较好的分类稳定性.; 徐鹏刘琼林森; 关键词：网络测量网络流支持向量机

相关作者