基于应用行为模型的实时业务流分类方法研究

本课题提出基于应用行为模型的业务流分类方法研究。从网络应用的行为出发，提取应用的关键属性，建立应用的行为模型，然后以行为模型为基础提取参与业务流分类的关键属性，从而解决业务流分类算法中属性选择盲目的问题。并依据行为模型建立网络协议与业务流之间的映射关系，指导业务流分类。同时研究面向业务流分类的自学习方法，并针对自学习过程中的早熟收敛现象进行优化。

随着互联网上各种各样的应用层出不穷，研究如何在线将不同的网络应用数据流准确区分出来的业务流分类技术备受关注。课题研究工作从两个方面展开，一方面，课题从提高业务流分类方法在复杂网络环境下的分类准确率出发，研究了抗时间抖动的基于协同训练的流分类技术以及在包乱序情况下依然具有良好表现的基于机器学习的分类技术，在此基础上研究了在有噪声环境下能够保持高分类准确率的加权置信度集成学习网络流分类框架。另一方面，研究基于猜测-验证的高性能正则表达式匹配算法和支持两级TRIE结构的并行包分类算法，进一步提高分类准确率。