流量分类论文提纲,深度学习论文提纲

电力通信网网络流量分类模型的设计与实现

摘要：电力通信网是电力系统的专用通信网络,是电力系统实现管理信息化和调度自动化的基础。电力通信网的安全、稳定是电力系统安全、稳定生产的基础条件之一。对电力通信网的网络流量分类是保障电力通信网网络安全的一道重要防线。除此之外,随着电力信息网综合数据网网络业务的多元化和业务数量的不断增加,流量管理问题开始不断浮现,给网络管理带来了不便。流量分类为有效的利用带宽,提高服务质量,提供可靠的数据支持。本文首先通过调研,了解电力通信网的通信技术、业务、概念。分析电力通信网的流量特点。对电力通信网的实际情况实现基本的了解之后,对国内外网络流量分类的研究进展进行了研究,目前对网络流量分类的研究主要聚焦于机器学习方法。基于传统机器学习的流量分类模型,其模型性能对流量特征的设计有依赖性,然而流量特征的设计需要大量的人工经验和特征工程技巧。对这一问题,深度学习可以使用原始流量数据作为输入,通过神经网络实现对流量特征的提取。深度学习模型在流量分类问题中有很好的分类表现,但深度学习模型相对比传统的机器学习模型来说,模型需要更大的时间开销。在本研究工作中,主要研究工作如下:1.针对电力通信网网络正常流量和恶意流量的二分类问题,本研究提出了一维CNN流量二分类模型。该模型将原始流量作为输入,通过数据预处理将数据从pcap格式调整为IDX格式,数据通过CNN网络结构,提取数据的空间特征,通过分类函数实现正常流量和恶意流量的二分类。2.针对流量“字节-数据包-数据流”的组织结构和数据包间的时序特征,本研究提出了基于注意力机制的双向LSTM模型。该模型从数据包和数据流的两个维度上提取数据特征,引入注意力机制加强重要特征。实验证明,基于注意力机制的双向LSTM模型对比只关注流特征的一维CNN模型有更好的分类效果,但需要比较大的时间开销。3.针对基于注意力机制的双向LSTM模型时间消耗较大的问题,本研究提出了基于注意力机制的双向SRU模型,与LSTM相比SRU有高并行和序列建模能力。经实验对比,两个模型基于数据集完成50个epoch,基于注意力机制的双向SRU模型的时间消耗仅为基于注意力机制的双向LSTM模型的66.06%。 

关键词：流量分类;深度学习;

文章目录

摘要

abstract

第1章 绪论

    1.1 研究背景和意义

        1.1.1 研究背景

        1.1.2 研究意义

    1.2 国内外研究现状

        1.2.1 网络流量分类技术研究现状

        1.2.2 基于机器学习的网络流量分类技术

    1.3 论文主要工作

    1.4 论文组织结构

    1.5 本章小结

第2章 深度学习理论

    2.1 引言

    2.2 全连接神经网络

    2.3 卷积神经网络

    2.4 循环神经网络

        2.4.1 长短期记忆网络

        2.4.2 简单递归单元

    2.5 注意力机制

    2.6 本章小结

第3章 数据预处理与模型评价指标的选取

    3.1 引言

    3.2 数据集

    3.3 数据预处理

        3.3.1 数据流切分

        3.3.2 数据清理

        3.3.3 长度统一

    3.4 模型评价指标

    3.5 本章小结

第4章 基于深度学习的端到端的流量分类方法

    4.1 引言

    4.2 一维CNN的流量二分类模型

        4.2.1 数据处理

        4.2.2 模型架构

        4.2.3 参数配置

    4.3 基于注意力机制的双向LSTM流量分类模型

        4.3.1 数据处理

        4.3.2 模型架构

        4.3.3 参数配置

    4.4 基于注意力机制的双向SRU流量分类模型

        4.4.1 数据处理

        4.4.2 模型架构

        4.4.3 参数配置

    4.5 实验与分析

        4.5.1 实验环境

        4.5.2 实验结果分析

    4.6 本章小结

第5章 电力通信网网络流量分类系统搭建

    5.1 系统结构与功能设计

        5.1.1 数据管理模块

        5.1.2 分类管理模块

    5.2 系统详细设计

        5.2.1 系统逻辑结构设计

        5.2.2 系统数据库设计

    5.3 系统实现

        5.3.1 数据管理模块页面实现

        5.3.2 分类管理模块页面实现

        5.3.3 系统测试

    5.4 本章小结

第6章 总结与展望

    6.1 总结

    6.2 展望

参考文献

[1]基于多种模型融合的光伏发电功率预测[D]. 沈俊豪.江南大学 2021

[2]核电站变形分析模型研究及应用[D]. 崔国立.武汉大学 2017

[3]静止自并励励磁系统详细模型研究[D]. 乔嫣然.华中科技大学 2014

[4]基于组合模型的电网日售电金额预测研究[D]. 常远.浙江大学 2021

[5]电力市场环境下发电权交易优化模型的研究[D]. 杨春雨.东北电力大学 2010

[6]地磁感应电流作用下的变压器模型研究[D]. 李晓飞.华北电力大学（北京） 2008

[7]基于相空间重构理论和误差矫正模型的组合风速预测模型的研究与应用[D]. 汪运.兰州大学 2015

[8]基于非参数GARCH模型的电力市场日前电价预测研究[D]. 刘丽燕.重庆师范大学 2016

[9]基于组合模型的燃煤电站电煤库存短期预测方法研究[D]. 汪撼宇.上海大学 2020

[10]基于IWOA-Bi-LSTM-Attention模型的短期和超短期电力负荷预测[D]. 万秋滢.江西财经大学 2022