摘 要： 提出了一種基于徑向基函數神經網絡的網絡流量識別方法。根據實際網絡中的流量數據，建立了一個基于RBF神經網絡的流量識別模型。先介紹了RBF神經網絡的結構設計及學習算法，針對RBF神經網絡在隱節點過多的情況下算法過于復雜的缺點，采用了優化的算法計算隱含層節點。仿真實驗證明，該模型具有較好的準確率、低復雜度、高識別效果和良好的自適應性。
關鍵詞： RBF神經網絡；流量識別；流量分類
隨著互聯網業務量的急劇增長，網絡性能和服務質量方面的問題日益突出。在網絡資源有限的情況下，建立網絡流量模型，識別網絡流量，及時作出控制或者調整，將會極大提高網絡性能和服務質量。尤其是隨著近年來互聯網技術的發展，網絡主要流量已經由傳統的FTP、TELNET和HTTP向P2P和IM服務轉變。傳統的網絡流量識別方法已經不能滿足當前網絡發展的需求。
神經網絡對非線性函數關系具有良好的逼近能力，所以本文提出了一種基于RBF函數神經網絡的網絡流量模型。RBF神經網絡為局部神經網絡模型，計算速度快、實時性好，相對于傳統的線性流量模型具有更高的逼近能力和良好的自適應性，并可克服基于BP神經網絡的流量模型訓練時間長及計算復雜度高的不足。
1 RBF神經網絡結構及學習算法
1.1 RBF神經網絡結構
RBF神經網絡是20世紀80年代由MOODY J和DARKEN C提出的一種神經網絡模型，是具有單隱層的前饋網絡，屬于局部逼近網絡，已證明能以任意精度逼近任一連續函數。RBF神經網絡的結構如圖1所示。
網絡由輸入層、徑向基函數隱含層、輸出層三層構成。低維空間非線性可分的問題總可以映射到一個高維空間，使其在此高維空間中為線性可分[1]。RBF的輸出單元部分構成一個單層感知機，只要合理選擇隱單元數（高維空間的維數）和作用函數，就可以把原來的問題映射為一個線性可分問題[2]。RBF網絡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。隱含層的節點數與實際問題的要求有直接的關聯，過多的節點數會導致學習時間過長和低容錯率，所以必須優化隱含層的節點數。隱含層的節點數可以采用式(1)計算：
2 識別過程
流量識別過程分為四個部分：數據獲取過程、數據預處理過程、數據訓練過程和測試數據分類過程。重點在于建立一個RBF神經網絡模型對網絡流量進行分類。
（1）數據獲取過程是通過數據獲取模塊提取網絡連接記錄和分析特征，以選擇合適的網絡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神經網絡的原始輸入值。
（2）數據預處理過程是將特征子集映射到[-1,1]的范圍[4]。
（3）數據訓練過程是將經過預處理后的網絡流量特征子集作為RBF神經網絡模型的訓練集。
（4）根據RBF神經網絡的輸出對網絡流量進行分類。
3 試驗與分析
本文選用流量文庫http://newsfeed.ntcu.net/中給出的兩組實際數據進行實驗，兩組數據分別如表1、表2所示。
RBF網絡在數據一中采用248個輸入層節點、262個隱含層節點和11個輸出層節點的結構；在數據二中采用248個輸入節點、260個隱含層節點和8個輸出層節點的結構。實驗結果如表3所示。
本文提出了一種基于RBF神經網絡的網絡流量識別方法。通過測試兩組開發的網絡流量數據集，證明該方法具有較高的準確度、低復雜性和良好的自適應性。
參考文獻
[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神經網絡的網絡流量建模及預測[J].計算機工程，2009(9)：190-191.