如何进行网络背景流量的分类与识别的详细资料说明

　　互联网流量分类是识别网络应用和分类相应流量的过程，这被认为是现代网络管理和安全系统中最基本的功能。与应用相关的流量分类是网络安全的基础技术。传统的流量分类方法包括基于端口的预测方法和基于有效载荷的深度检测方法。在目前的网络环境下，传统的方法存在一些实际问题，如动态端口和加密应用，因此采用基于流量统计特征的机器学习（ML）技术来进行流量分类识别。机器学习可以利用提供的流量数据进行集中自动搜索，并描述有用的结构模式，这有助于智能地进行流量分类。起初使用朴素贝叶斯方法进行网络流量分类的识别和分类，对特定流量进行实验时，表现较好，准确度可达90%以上，但对点对点传输网络流量（P2P）等流量识别准确度仅能达到50%左右。然后有使用支持向量机（SVM）和神经网络（NN）等方法，神经网络方法使整体网络流量的分类准确度能达到80%以上。多项研究结果表明，对于多种机器学习方法的使用和后续的改进，很好地提高了流量分类的准确性。

　　智能手机，特别是无线保真（ Wireless-Fidelity， Wi-Fi） 第三代移动通信技术（ 3rd-Generation， 3C） 、全球微博互联接入（ Worldwide interoperability for Microwave Access， WiMAX） 、通用移动通信技术的长期演进（ Long Term Evolution， LTE）等智能手机，传感器和无线技术的革命使得社交网络、M2M通信（ Machine to Machine Communications）、物联网应用、智能城市等先进应用和服务成为可能。因此，大量的数据在计算机网络中产生并携带，消耗了稀少的无线电和带宽资源，导致网络拥塞或故障。实际上，每个流量都不必与用户活动直接相关。具体而言，移动设备上的应用程序会自动生成大量数据以更新其状态，由此可以引出背景（ BackGround， BG）流量。