刘 晓

（暨南大学 信息科学与技术学院，广东 广州510000）

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：

其中n是输入层的节点数，m是输出层的节点数，a是1～10 的常数[3]。

隐含层基函数采用高斯函数：

隐节点的输出加权后进入输出层，输出层是其隐含层的线性组合[4-5]，即：

其中 x∈Rn为输入向量，Φ(·)是高斯核函数，‖·‖是欧几里德范数，ci∈Rn为第 i个隐节点的场中心,σi∈R为第i个隐节点的场域宽度，n是隐含层节点数,wi为第i个隐节点的基函数与输出节点的连接权值，w0为调整输出的偏移量。

1.2 RBF神经网络学习算法

(1)对训练数据进行聚类，把基函数分别分配给每一个聚类。 选择一 组初始的中心值{μ˜1，μ˜2，…，μ˜K}，用 K-均值聚类算法计算出中心值μ˜k(1≤k≤K)和宽度σ˜j:

选入“少儿万有经典文库”的原典在人类科学史上的重要性和经典性不容置疑，但其厚重的篇幅和深邃的理论体系，让一般读者都可能望而却步，更不要说理解能力有限的少年儿童。而在这套文库里，少儿彩绘版呈现出生机勃勃的气息，吸引着小读者从容地走进经典。

(2)计算隐含层的输出。

(3)实际输出与期望输出进行比较，应用梯度下降法训练权重，使得均方最小更新权重。

权重的改变值：

如果是线性的则为：

(4)对输入的N组数据重复步骤(2)～步骤(3)N次。

(5)重复步骤(2)～步骤(4)，直至误差小到可接受的程度。

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。

表1 实际数据一

表2 实际数据二

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。

表3 实验结果

[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 flowbased 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.