摘  要： 提出了一种基于径向基函数神经网络的网络流量识别方法。根据实际网络中的流量数据，建立了一个基于RBF神经网络的流量识别模型。先介绍了RBF神经网络的结构设计及学习算法，针对RBF神经网络在隐节点过多的情况下算法过于复杂的缺点，采用了优化的算法计算隐含层节点。仿真实验证明，该模型具有较好的准确率、低复杂度、高识别效果和良好的自适应性。
关键词： RBF神经网络；流量识别；流量分类

    随着互联网业务量的急剧增长，网络性能和服务质量方面的问题日益突出。在网络资源有限的情况下，建立网络流量模型，识别网络流量，及时作出控制或者调整，将会极大提高网络性能和服务质量。尤其是随着近年来互联网技术的发展，网络主要流量已经由传统的FTP、TELNET和HTTP向P2P和IM服务转变。传统的网络流量识别方法已经不能满足当前网络发展的需求。
    神经网络对非线性函数关系具有良好的逼近能力，所以本文提出了一种基于RBF函数神经网络的网络流量模型。RBF神经网络为局部神经网络模型，计算速度快、实时性好，相对于传统的线性流量模型具有更高的逼近能力和良好的自适应性，并可克服基于BP神经网络的流量模型训练时间长及计算复杂度高的不足。
1 RBF神经网络结构及学习算法
1.1 RBF神经网络结构
    RBF神经网络是20世纪80年代由MOODY J和DARKEN C提出的一种神经网络模型，是具有单隐层的前馈网络，属于局部逼近网络，已证明能以任意精度逼近任一连续函数。RBF神经网络的结构如图1所示。
    网络由输入层、径向基函数隐含层、输出层三层构成。低维空间非线性可分的问题总可以映射到一个高维空间，使其在此高维空间中为线性可分[1]。RBF的输出单元部分构成一个单层感知机，只要合理选择隐单元数（高维空间的维数）和作用函数，就可以把原来的问题映射为一个线性可分问题[2]。RBF网络中输入到隐含层的映射是非线性的，而隐含层到输出的映射是线性的。隐含层的节点数与实际问题的要求有直接的关联，过多的节点数会导致学习时间过长和低容错率，所以必须优化隐含层的节点数。隐含层的节点数可以采用式(1)计算：

2 识别过程
    流量识别过程分为四个部分：数据获取过程、数据预处理过程、数据训练过程和测试数据分类过程。重点在于建立一个RBF神经网络模型对网络流量进行分类。
    （1）数据获取过程是通过数据获取模块提取网络连接记录和分析特征，以选择合适的网络特征属性作为原始的输入值。选择一组最合适的特征子集作为RBF神经网络的原始输入值。
    （2）数据预处理过程是将特征子集映射到[-1,1]的范围[4]。
    （3）数据训练过程是将经过预处理后的网络流量特征子集作为RBF神经网络模型的训练集。
    （4）根据RBF神经网络的输出对网络流量进行分类。
3 试验与分析
    本文选用流量文库http://newsfeed.ntcu.net/中给出的两组实际数据进行实验，两组数据分别如表1、表2所示。

    RBF网络在数据一中采用248个输入层节点、262个隐含层节点和11个输出层节点的结构；在数据二中采用248个输入节点、260个隐含层节点和8个输出层节点的结构。实验结果如表3所示。

    本文提出了一种基于RBF神经网络的网络流量识别方法。通过测试两组开发的网络流量数据集，证明该方法具有较高的准确度、低复杂性和良好的自适应性。
参考文献
[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神经网络的网络流量建模及预测[J].计算机工程，2009(9)：190-191.