摘  要： 提出了一種基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量識(shí)別方法。根據(jù)實(shí)際網(wǎng)絡(luò)中的流量數(shù)據(jù)，建立了一個(gè)基于RBF神經(jīng)網(wǎng)絡(luò)的流量識(shí)別模型。先介紹了RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)及學(xué)習(xí)算法，針對(duì)RBF神經(jīng)網(wǎng)絡(luò)在隱節(jié)點(diǎn)過(guò)多的情況下算法過(guò)于復(fù)雜的缺點(diǎn)，采用了優(yōu)化的算法計(jì)算隱含層節(jié)點(diǎn)。仿真實(shí)驗(yàn)證明，該模型具有較好的準(zhǔn)確率、低復(fù)雜度、高識(shí)別效果和良好的自適應(yīng)性。
關(guān)鍵詞： RBF神經(jīng)網(wǎng)絡(luò)；流量識(shí)別；流量分類

    隨著互聯(lián)網(wǎng)業(yè)務(wù)量的急劇增長(zhǎng)，網(wǎng)絡(luò)性能和服務(wù)質(zhì)量方面的問(wèn)題日益突出。在網(wǎng)絡(luò)資源有限的情況下，建立網(wǎng)絡(luò)流量模型，識(shí)別網(wǎng)絡(luò)流量，及時(shí)作出控制或者調(diào)整，將會(huì)極大提高網(wǎng)絡(luò)性能和服務(wù)質(zhì)量。尤其是隨著近年來(lái)互聯(lián)網(wǎng)技術(shù)的發(fā)展，網(wǎng)絡(luò)主要流量已經(jīng)由傳統(tǒng)的FTP、TELNET和HTTP向P2P和IM服務(wù)轉(zhuǎn)變。傳統(tǒng)的網(wǎng)絡(luò)流量識(shí)別方法已經(jīng)不能滿足當(dāng)前網(wǎng)絡(luò)發(fā)展的需求。
    神經(jīng)網(wǎng)絡(luò)對(duì)非線性函數(shù)關(guān)系具有良好的逼近能力，所以本文提出了一種基于RBF函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量模型。RBF神經(jīng)網(wǎng)絡(luò)為局部神經(jīng)網(wǎng)絡(luò)模型，計(jì)算速度快、實(shí)時(shí)性好，相對(duì)于傳統(tǒng)的線性流量模型具有更高的逼近能力和良好的自適應(yīng)性，并可克服基于BP神經(jīng)網(wǎng)絡(luò)的流量模型訓(xùn)練時(shí)間長(zhǎng)及計(jì)算復(fù)雜度高的不足。
1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及學(xué)習(xí)算法
1.1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    RBF神經(jīng)網(wǎng)絡(luò)是20世紀(jì)80年代由MOODY J和DARKEN C提出的一種神經(jīng)網(wǎng)絡(luò)模型，是具有單隱層的前饋網(wǎng)絡(luò)，屬于局部逼近網(wǎng)絡(luò)，已證明能以任意精度逼近任一連續(xù)函數(shù)。RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。
    網(wǎng)絡(luò)由輸入層、徑向基函數(shù)隱含層、輸出層三層構(gòu)成。低維空間非線性可分的問(wèn)題總可以映射到一個(gè)高維空間，使其在此高維空間中為線性可分[1]。RBF的輸出單元部分構(gòu)成一個(gè)單層感知機(jī)，只要合理選擇隱單元數(shù)（高維空間的維數(shù)）和作用函數(shù)，就可以把原來(lái)的問(wèn)題映射為一個(gè)線性可分問(wèn)題[2]。RBF網(wǎng)絡(luò)中輸入到隱含層的映射是非線性的，而隱含層到輸出的映射是線性的。隱含層的節(jié)點(diǎn)數(shù)與實(shí)際問(wèn)題的要求有直接的關(guān)聯(lián)，過(guò)多的節(jié)點(diǎn)數(shù)會(huì)導(dǎo)致學(xué)習(xí)時(shí)間過(guò)長(zhǎng)和低容錯(cuò)率，所以必須優(yōu)化隱含層的節(jié)點(diǎn)數(shù)。隱含層的節(jié)點(diǎn)數(shù)可以采用式(1)計(jì)算：

2 識(shí)別過(guò)程
    流量識(shí)別過(guò)程分為四個(gè)部分：數(shù)據(jù)獲取過(guò)程、數(shù)據(jù)預(yù)處理過(guò)程、數(shù)據(jù)訓(xùn)練過(guò)程和測(cè)試數(shù)據(jù)分類過(guò)程。重點(diǎn)在于建立一個(gè)RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)網(wǎng)絡(luò)流量進(jìn)行分類。
    （1）數(shù)據(jù)獲取過(guò)程是通過(guò)數(shù)據(jù)獲取模塊提取網(wǎng)絡(luò)連接記錄和分析特征，以選擇合適的網(wǎng)絡(luò)特征屬性作為原始的輸入值。選擇一組最合適的特征子集作為RBF神經(jīng)網(wǎng)絡(luò)的原始輸入值。
    （2）數(shù)據(jù)預(yù)處理過(guò)程是將特征子集映射到[-1,1]的范圍[4]。
    （3）數(shù)據(jù)訓(xùn)練過(guò)程是將經(jīng)過(guò)預(yù)處理后的網(wǎng)絡(luò)流量特征子集作為RBF神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練集。
    （4）根據(jù)RBF神經(jīng)網(wǎng)絡(luò)的輸出對(duì)網(wǎng)絡(luò)流量進(jìn)行分類。
3 試驗(yàn)與分析
    本文選用流量文庫(kù)http://newsfeed.ntcu.net/中給出的兩組實(shí)際數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，兩組數(shù)據(jù)分別如表1、表2所示。

    RBF網(wǎng)絡(luò)在數(shù)據(jù)一中采用248個(gè)輸入層節(jié)點(diǎn)、262個(gè)隱含層節(jié)點(diǎn)和11個(gè)輸出層節(jié)點(diǎn)的結(jié)構(gòu)；在數(shù)據(jù)二中采用248個(gè)輸入節(jié)點(diǎn)、260個(gè)隱含層節(jié)點(diǎn)和8個(gè)輸出層節(jié)點(diǎn)的結(jié)構(gòu)。實(shí)驗(yàn)結(jié)果如表3所示。

    本文提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量識(shí)別方法。通過(guò)測(cè)試兩組開(kāi)發(fā)的網(wǎng)絡(luò)流量數(shù)據(jù)集，證明該方法具有較高的準(zhǔn)確度、低復(fù)雜性和良好的自適應(yīng)性。
參考文獻(xiàn)
[1] Shi Zhongzhi.Neural Network[M].Beijing：Higher Education  Press，2009.
[2] COVER T M.Geometrical and statistical properties of  system of linear inequalities with applications in pattern  recognition[J].IEEE Transactions on Electronic Computer，1965(14)：326-334.
[3] Fei Sike Technology R&D Center.Matlab Application[M].  Beijing：Electronic Industry Press，2005.
[4] MOORE A W，ZUEV D.Discriminators for use in flow-based classification[A].Intel Research，Cambridge，2005.
[5] 王俊松.基于Elman神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量建模及預(yù)測(cè)[J].計(jì)算機(jī)工程，2009(9)：190-191.