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。 叶节点是输入节点，对应着目标问题中的一个具体特征;非叶节点则是神经元流量早期识别模型-电动折弯机数控滚圆机滚弧机张家港倒角机液压滚圆机滚弧机，对应着一个具体的运算算子。因而FNT模型中包含两种类型的指令:柔性神经元指令(函数指令)和终端指令。具体地，柔性神经元指令用于树结构的非叶节点连接其子树，终端指令则是各输入特征。函数指令集合F和终端指令集合T可以表示示非叶节点指令有i个参数。x1，x2，…，xn则是叶节点指令，没有参数，实际上就是输入变量。非叶节点的输出按图1(a)左部分所示的柔性神经元计算模型计算。在神经树的创建过程中本文由公司网站 张家港蔬菜大棚滚圆机网站 转载中国知网整理!    http://www.gunyuanji.org/，如果一个非叶节点指令，即+i(i=2，3，…，N)被选择，则产生i个随机实数作为该节点与其下属的i个子节点之间的连接强度。另外，还产生两个可调节的参数ai和bi作为柔性激活函数的参数。在本文的研究中，使用如下所示激活函数。f(ai，bi，x)=e－(x－aibi)2(2)图1柔性神经树Fig．1Flexibleneuraltree柔性神经元+n的输出则按式(3)计算。netn=∑nj=1wj*xj(3)其中，xj(j=1，2，…，n)是该柔性神经元的各输入，则该节点的总激励为:图1(b)是一个典型的柔性神经树模型，神经树的总输出可以用递归的方法从左至右深度优先计算得出。3实验设置3．1数据集本文采用两个开放数据集和一个在校园网实验室采得的流量数据集，对应地可分别称为AucklandII数据集、UNIBS数据集和UJN数据集。所选数据集的应用类型、样本数以及字节数等特征如表1所示。表法的FPＲ区别很小，均在1%以下。图3UNIBS数据集识别实验结果F图4显示的UJN数据集的实验结果看，各算法的行为模式大体与其在UNIBS数据集上的行为模式类似，但总体的识别精度有所下降。Bagging、PAＲT、NBTree、ＲandomForest和FNT五个算法的识别性能明显高于其他几个算法。FNT再次获得了最高的识别率，同时也获得了最低的误报率。这一实验结果也进一步说明FNT的识别性能要好于其他算法。图4UJN数据集识别实验结果Fi析与讨论从三个数据集的结果总体上分析，不难看出:(1)首先实验中大部分算法利用仅仅6个早期数据包大小就能获得较为理想的识别性能，说明利用数据包大小进行早期识别是完全可以适应实际识别要求的。第2期彭立志流量早期识别模型-电动折弯机数控滚圆机滚弧机张家港倒角机液压滚圆机滚弧机本文由公司网站 张家港蔬菜大棚滚圆机网站 转载中国知网整理!    http://www.gunyuanji.org/