瞿志宇 鄭學(xué)智

（武漢郵電科學(xué)研究院 武漢 430074）

1 引言

隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，網(wǎng)絡(luò)游戲作為依賴互聯(lián)網(wǎng)產(chǎn)生的網(wǎng)絡(luò)應(yīng)用，也得到了很好的發(fā)展［1］，如今也成為社交的一種重要手段［2］。根據(jù)CNNIC（中國(guó)互聯(lián)網(wǎng)信息中心）第42次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截至2018年6月，我國(guó)網(wǎng)絡(luò)游戲用戶規(guī)模達(dá)到4.86億，占總體網(wǎng)民的60.6%，較去年末增長(zhǎng)4391萬(wàn)人。手機(jī)網(wǎng)絡(luò)游戲用戶規(guī)模明顯提升，達(dá)到4.58億，較去年末增長(zhǎng)5123萬(wàn)人，占手機(jī)網(wǎng)民的58.2%。不僅如此，網(wǎng)絡(luò)游戲也得到了社會(huì)更多的認(rèn)可，2019年4月人社部正式確認(rèn)了電子競(jìng)技員正式成為一門職業(yè)，同月在國(guó)家統(tǒng)計(jì)局《體育產(chǎn)業(yè)統(tǒng)計(jì)分類（2019）》中，電子競(jìng)技被正式歸為體育競(jìng)技項(xiàng)目。用戶規(guī)模的增大導(dǎo)致對(duì)網(wǎng)絡(luò)游戲服務(wù)質(zhì)量的要求越來(lái)越高［3］。

周銳等［4］利用IP過(guò)濾、數(shù)據(jù)包大小信息熵、下上行包數(shù)目之比和PPS（Packets Per Second）等特征組合有效地提高網(wǎng)絡(luò)游戲數(shù)據(jù)流識(shí)別準(zhǔn)確率。畢夏安等［5］通過(guò)提取出識(shí)別游戲流量的特征數(shù)據(jù)庫(kù)，并基于EGT-PC算法提出了一種高效的游戲流量分類方法，該算法在時(shí)間和空間上有很大的改進(jìn)。Han Young-Tae等［6］在傳輸層提出一種基于簡(jiǎn)單決策樹(shù)的ADT算法對(duì)游戲數(shù)據(jù)流進(jìn)行精確分類。Mark Claypool等［7］通過(guò)對(duì)數(shù)據(jù)包大小、IP和比特率等信息對(duì)“瘦”客戶端游戲進(jìn)行研究。

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種模仿人類神經(jīng)網(wǎng)絡(luò)工作方式而演化出的一種按誤差反向傳播的多層前饋網(wǎng)絡(luò)，其結(jié)構(gòu)包括輸入層、隱含層、輸出層三部分。具有較好的自適應(yīng)學(xué)習(xí)能力，能以任意精度逼近非線性函數(shù)，在解決非線性問(wèn)題上得到了廣泛的應(yīng)用［8］。但BP神經(jīng)網(wǎng)絡(luò)存在容易陷入局部極小的缺點(diǎn)，造成算法的精度和速度降低［9］。

遺傳算法（Genetic Algorithms）是一種模擬自然界遺傳機(jī)制和生物進(jìn)化論而成的一種并行隨機(jī)搜索最優(yōu)化方法［10］。該算法通過(guò)遺傳學(xué)中的選擇、交叉、變異對(duì)個(gè)體進(jìn)行篩選，保留適應(yīng)度好的個(gè)體，淘汰適應(yīng)度差的個(gè)體，不斷反復(fù)循環(huán)，直至滿足需求。通過(guò)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)，能夠很好地解決BP神經(jīng)網(wǎng)絡(luò)易陷入局部極小的缺點(diǎn)［11］。

本文提出利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別網(wǎng)絡(luò)游戲流數(shù)據(jù)，選取多維度信息作為輸入，并通過(guò)仿真驗(yàn)證方法的有效性。

2 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，信號(hào)從輸入層到隱含層，再到輸出層得到期望輸出。期望輸出同實(shí)際值做比較，若得不到所期望的值，則誤差反向傳播，調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值和閾值［12］。如此反復(fù)訓(xùn)練，優(yōu)化網(wǎng)絡(luò)參數(shù)，使誤差逐漸變小，滿足需求。

圖1為BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖，X1，X2，…，Xn表示輸入數(shù)據(jù)，Y1，Y2，…，Ym表示輸出數(shù)據(jù)，ωij和ωjk表示網(wǎng)絡(luò)的連接權(quán)值，aj和bk分別表示隱含層閾值和輸出層的閾值。BP神經(jīng)網(wǎng)絡(luò)主要包括訓(xùn)練和識(shí)別兩個(gè)過(guò)程，訓(xùn)練過(guò)程是通過(guò)多組樣本數(shù)據(jù)來(lái)訓(xùn)練網(wǎng)絡(luò)，優(yōu)化其參數(shù)，使其具有聯(lián)想能力和識(shí)別能力，識(shí)別過(guò)程則是把訓(xùn)練好的網(wǎng)絡(luò)用于對(duì)未知數(shù)據(jù)的識(shí)別。整個(gè)網(wǎng)絡(luò)可以看成一個(gè)非線性系統(tǒng)，權(quán)值和閾值相當(dāng)于系統(tǒng)參數(shù)，網(wǎng)絡(luò)的訓(xùn)練過(guò)程相當(dāng)于調(diào)節(jié)系統(tǒng)參數(shù)的過(guò)程，當(dāng)有n個(gè)輸入，m個(gè)輸出時(shí)，整個(gè)系統(tǒng)相當(dāng)于一個(gè)n輸入m輸出的非線性系統(tǒng)。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

3 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)

3.1 遺傳算法基本原理

遺傳算法是一種模擬自然界優(yōu)勝劣汰規(guī)則的算法，通過(guò)對(duì)種群進(jìn)行選擇、交叉和變異操作，從而獲得種群最優(yōu)個(gè)體的方法［13］。其核心是依照所選的適應(yīng)度函數(shù)，通過(guò)遺傳操作，不斷的將適應(yīng)度好的個(gè)體保留，淘汰適應(yīng)度差的個(gè)體，直至得到滿足需求的最優(yōu)個(gè)體。每一代新的群體既繼承上一代的特性，又優(yōu)于上一代，因此經(jīng)過(guò)多代的遺傳淘汰操作之后，能夠得到理想的種群。遺傳算法的遺傳操作主要包括以下三種。

1）選擇操作。依據(jù)個(gè)體的適應(yīng)度值，從舊種群中選擇部分個(gè)體到新種群中，個(gè)體的適應(yīng)度值越好，其被選取的概率越大。以此使優(yōu)秀的個(gè)體得到保留，不斷繁育出更優(yōu)的子代，最終滿足需求。

2）交叉操作。首先從種群中隨機(jī)選取兩個(gè)個(gè)體，然后對(duì)兩個(gè)個(gè)體染色體中的一點(diǎn)或多點(diǎn)進(jìn)行交叉，來(lái)得到新的個(gè)體。

3）變異操作。從種群中隨機(jī)選取一個(gè)個(gè)體，然后對(duì)其染色體中的一點(diǎn)進(jìn)行變異，以期得到更優(yōu)的個(gè)體。

3.2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法模型

算法流程如圖2所示。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法主要包括三部分：初始化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)識(shí)別。其中初始化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括：確定輸入層、隱含層和輸出層節(jié)點(diǎn)個(gè)數(shù)，以及初始化網(wǎng)絡(luò)的權(quán)值和閾值等參數(shù)。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是將一個(gè)網(wǎng)絡(luò)中的所有權(quán)值和閾值看作種群中的一個(gè)個(gè)體，然后通過(guò)選擇、交叉和變異的操作得到最優(yōu)的個(gè)體，即最優(yōu)權(quán)值和閾值，并將該組權(quán)值閾值賦給BP神經(jīng)網(wǎng)絡(luò)作為初始的權(quán)值和閾值［14］。最后的BP神經(jīng)網(wǎng)絡(luò)識(shí)別部分，是利用遺傳算法優(yōu)化的初始權(quán)值和閾值來(lái)訓(xùn)練網(wǎng)絡(luò)，再利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。

圖2 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法流程

4 網(wǎng)絡(luò)游戲數(shù)據(jù)流識(shí)別模型

4.1 數(shù)據(jù)來(lái)源

傳統(tǒng)的網(wǎng)絡(luò)游戲識(shí)別都基于端口號(hào)和包長(zhǎng)分布等一維信息進(jìn)行網(wǎng)絡(luò)游戲識(shí)別［15］。本文提出利用多維度信息作為輸入，進(jìn)行網(wǎng)絡(luò)游戲流識(shí)別。通過(guò)Wireshark進(jìn)行抓包，獲取原始數(shù)據(jù)包，通過(guò)提取這些數(shù)據(jù)包中的有用信息作為識(shí)別模型的輸入。提取的信息包括：五元組信息（源ip，目的ip，源端口，目的端口，協(xié)議類型），以及報(bào)文長(zhǎng)度，利用網(wǎng)絡(luò)游戲數(shù)據(jù)報(bào)文中的多維信息來(lái)進(jìn)行識(shí)別，提取五元組和報(bào)文長(zhǎng)度這六種維度信息作為輸入的原因如下。

1）五元組信息。五元組在傳輸過(guò)程中能區(qū)別不同的會(huì)話，且對(duì)應(yīng)的會(huì)話是唯一的，可以實(shí)現(xiàn)區(qū)分不同的應(yīng)用；

2）ip信息。ip在網(wǎng)絡(luò)傳輸中的用于實(shí)現(xiàn)主機(jī)之間的通信，提供不同網(wǎng)絡(luò)應(yīng)用的互聯(lián)網(wǎng)公司擁有ip不同，因此提供網(wǎng)絡(luò)游戲服務(wù)的公司ip是有別于提供其他網(wǎng)絡(luò)服務(wù)公司的ip，可通過(guò)ip做簡(jiǎn)單區(qū)分；

3）端口號(hào)。利用端口號(hào)識(shí)別網(wǎng)絡(luò)游戲是一種很重要的識(shí)別方法，早期擁有著較高準(zhǔn)確性［16］。雖然隨著新興網(wǎng)絡(luò)應(yīng)用的大量出現(xiàn)，使用了大量的隨機(jī)端口，導(dǎo)致其效率和識(shí)別效果變差，但端口號(hào)仍然能為識(shí)別網(wǎng)絡(luò)游戲提供重要信息；

4）協(xié)議類型。網(wǎng)絡(luò)游戲數(shù)據(jù)流在傳輸過(guò)程中采用的主要傳輸協(xié)議為TCP協(xié)議，部分采用UDP協(xié)議，或者兩種協(xié)議混合使用，以TCP協(xié)議為主，UDP協(xié)議為輔；

5）報(bào)文長(zhǎng)度。網(wǎng)絡(luò)游戲的包長(zhǎng)一般小于1000字節(jié)的小包，包長(zhǎng)分布非常整齊且大多數(shù)是40字節(jié)～159字節(jié)的小包，其特征有別于其他網(wǎng)絡(luò)應(yīng)用。

綜上所述，選取的六種維度輸入信息，其包含的信息，能夠很有效地區(qū)分不同的網(wǎng)絡(luò)應(yīng)用，因此所選取的信息作為輸入建立的識(shí)別模型，能夠很有效地區(qū)分網(wǎng)絡(luò)游戲數(shù)據(jù)流和其他數(shù)據(jù)流。

4.2 數(shù)據(jù)量化

對(duì)于輸入信息，按表1所示進(jìn)行量化處理。為避免ip過(guò)大，導(dǎo)致對(duì)原始數(shù)據(jù)處理復(fù)雜和算法計(jì)算量過(guò)大，在不影響結(jié)果的情況下，選擇ip的后兩字節(jié)作為輸入。協(xié)議類型為TCP的標(biāo)記為1，UDP的標(biāo)記為2。端口號(hào)和報(bào)文長(zhǎng)度則直接用獲取到的數(shù)據(jù)，不做處理。

表1 輸入數(shù)據(jù)量化處理

本實(shí)驗(yàn)選取的數(shù)據(jù)樣本包括8款手機(jī)網(wǎng)絡(luò)游戲的1600組數(shù)據(jù)，以及占用網(wǎng)絡(luò)帶寬較大的下載、視頻、網(wǎng)絡(luò)直播業(yè)務(wù)的1600組數(shù)據(jù)。將游戲的報(bào)文歸為第一類，其他業(yè)務(wù)的報(bào)文歸為第二類。實(shí)驗(yàn)的總體數(shù)據(jù)樣本為3200組，每次試驗(yàn)中隨機(jī)選取2400組數(shù)據(jù)作為訓(xùn)練樣本，用以訓(xùn)練識(shí)別模型，800組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，用來(lái)驗(yàn)證識(shí)別模型的性能。

4.3 識(shí)別模型

如圖3所示，為網(wǎng)絡(luò)游戲數(shù)據(jù)流識(shí)別模型，整體識(shí)別分以下幾步。

圖3 網(wǎng)絡(luò)游戲識(shí)別模型

1）首先從數(shù)據(jù)流中的報(bào)文獲取所需的六維信息，源ip，目的ip，協(xié)議類型，源端口號(hào)，目的端口號(hào)以及報(bào)文長(zhǎng)度；

2）對(duì)獲取的六維信息分別進(jìn)行量化處理，使其滿足識(shí)別模型的輸入格式，并將量化后的數(shù)據(jù)作為輸入傳入識(shí)別模型；

3）利用識(shí)別模型，即遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)數(shù)據(jù)流進(jìn)行識(shí)別，將結(jié)果分為網(wǎng)絡(luò)游戲數(shù)據(jù)流和其他應(yīng)用數(shù)據(jù)流兩類。

5 實(shí)驗(yàn)分析

5.1 參數(shù)設(shè)置

BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度有較大的影響：節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)不能很好地學(xué)習(xí)，需要增加訓(xùn)練次數(shù)，訓(xùn)練的精度也受影響；節(jié)點(diǎn)數(shù)太多，訓(xùn)練時(shí)間增加，網(wǎng)絡(luò)容易過(guò)擬合。通常節(jié)點(diǎn)個(gè)數(shù)的選取可以參考如下公式：

式（1）中，n為輸入層節(jié)點(diǎn)個(gè)數(shù)，m為輸出層節(jié)點(diǎn)個(gè)數(shù)，x為隱含層節(jié)點(diǎn)個(gè)數(shù)，a為0～10之間的常數(shù)。本實(shí)驗(yàn)中n的取值為6，m的取值為2，節(jié)點(diǎn)個(gè)數(shù)x的取值為5。遺傳算法中，進(jìn)化代數(shù)選擇為20（即迭代20次），種群規(guī)模為10，交叉概率為0.2，變異概率為0.1。

5.2 結(jié)果分析

實(shí)驗(yàn)中，為避免受隨機(jī)參數(shù)和訓(xùn)練數(shù)據(jù)選取偶然性的影響，本實(shí)驗(yàn)共進(jìn)行10次，對(duì)10次結(jié)果進(jìn)行比較分析。將游戲的數(shù)據(jù)流作為第一類，將其在神經(jīng)網(wǎng)絡(luò)識(shí)別模型的輸出層定義為1，其他類型的數(shù)據(jù)流作為第二類，將其在神經(jīng)網(wǎng)絡(luò)識(shí)別模型的輸出層定義為2。因此將輸出層預(yù)測(cè)結(jié)果在0.5～1.5之間的歸為第一類，1.5～2.5之間的歸為第二類。

式（2）中，pvalue表示通過(guò)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型得到的預(yù)測(cè)值，output表示樣本的真實(shí)值，error是誤差值，當(dāng)error介于-0.5～0.5之間時(shí)，認(rèn)為本組數(shù)據(jù)的測(cè)試結(jié)果是正確的。

式（3）中，total為總的測(cè)試數(shù)據(jù)數(shù)800，num表示實(shí)驗(yàn)中正確判斷的個(gè)數(shù)，correct表示實(shí)驗(yàn)的正確率。

圖4中，分別利用BP神經(jīng)網(wǎng)絡(luò)和GEN-BP神經(jīng)網(wǎng)絡(luò)（遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)）進(jìn)行10次實(shí)驗(yàn)，并對(duì)兩者的結(jié)果做線性擬合。從圖中可以看出，GEN-BP神經(jīng)網(wǎng)絡(luò)的擬合線明顯高于BP神經(jīng)網(wǎng)絡(luò)的擬合線，說(shuō)明GEN-BP神經(jīng)網(wǎng)絡(luò)識(shí)別的正確率更好，優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。結(jié)合表2中可以看出，GEN-BP神經(jīng)網(wǎng)絡(luò)的平均正確率高于BP神經(jīng)網(wǎng)絡(luò)約0.7%。BP神經(jīng)網(wǎng)絡(luò)正確率的范圍在95.00%～98.25%之間，GEN-BP神經(jīng)網(wǎng)絡(luò)的正確率96.13%～98.75%，GEN-BP神經(jīng)網(wǎng)絡(luò)的最低正確率和最高正確率均高于BP神經(jīng)網(wǎng)絡(luò)，同時(shí)GEN-BP神經(jīng)網(wǎng)絡(luò)正確率的波動(dòng)范圍在2.62%之間，BP神經(jīng)網(wǎng)絡(luò)正確率的波動(dòng)范圍在3.25%，GEN-BP神經(jīng)網(wǎng)絡(luò)相比BP神經(jīng)網(wǎng)絡(luò)擁有更高的精度，同時(shí)波動(dòng)范圍更小，識(shí)別更準(zhǔn)確，穩(wěn)定性更好。因此，GEN-BP神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)游戲數(shù)據(jù)流識(shí)別中比BP神經(jīng)網(wǎng)絡(luò)擁有更優(yōu)秀的性能。

表2 BP網(wǎng)絡(luò)和GEN-BP網(wǎng)絡(luò)正確率對(duì)比

圖4 BP網(wǎng)絡(luò)和GEN-BP網(wǎng)絡(luò)正確率擬合線

圖5為遺傳算法個(gè)體適應(yīng)度隨進(jìn)化代數(shù)變化曲線，個(gè)體適應(yīng)度值為訓(xùn)練數(shù)據(jù)的絕對(duì)誤差，因此個(gè)體適應(yīng)度越低個(gè)體越優(yōu)。遺傳算法通過(guò)不斷的迭代，個(gè)體適應(yīng)度隨進(jìn)化次數(shù)增加不斷減小，性能越來(lái)越優(yōu)，當(dāng)進(jìn)化次數(shù)到達(dá)16次后，適應(yīng)度值趨于穩(wěn)定且適應(yīng)度值最小，網(wǎng)絡(luò)性能最好。

圖5 最優(yōu)個(gè)體適應(yīng)度值

表3中，BP時(shí)間表示BP神經(jīng)網(wǎng)絡(luò)中網(wǎng)絡(luò)訓(xùn)練和對(duì)測(cè)試樣本進(jìn)行識(shí)別的總時(shí)間；GEN-BP時(shí)間表示將遺傳算法求得的最優(yōu)權(quán)值閾值賦予給BP神經(jīng)網(wǎng)絡(luò)后，BP神經(jīng)網(wǎng)絡(luò)中網(wǎng)絡(luò)訓(xùn)練和對(duì)測(cè)試樣本進(jìn)行識(shí)別的總時(shí)間；GENETIC時(shí)間表示遺傳算法迭代求取BP神經(jīng)網(wǎng)絡(luò)最優(yōu)權(quán)值閾值的時(shí)間。從圖表結(jié)果中可以看出BP神經(jīng)網(wǎng)絡(luò)的平均識(shí)別時(shí)間明顯高于GEN-BP神經(jīng)網(wǎng)絡(luò)的識(shí)別時(shí)間，高出約27.85%，且識(shí)別時(shí)間的方差也高于GEN-BP神經(jīng)網(wǎng)絡(luò)，說(shuō)明遺傳算法優(yōu)化過(guò)的BP神經(jīng)網(wǎng)絡(luò)，收斂速度更快，具有更優(yōu)的收斂性，同時(shí)波動(dòng)小擁有更好的穩(wěn)定性，其神經(jīng)網(wǎng)絡(luò)性能更優(yōu)。但GEN-BP神經(jīng)網(wǎng)絡(luò)中遺傳算法在迭代求取最優(yōu)適應(yīng)度時(shí)，消耗太多時(shí)間，導(dǎo)致整個(gè)網(wǎng)絡(luò)的執(zhí)行過(guò)長(zhǎng)，實(shí)時(shí)性存在不足，需要改進(jìn)。

表3 BP神經(jīng)網(wǎng)絡(luò)和GEN-BP神經(jīng)網(wǎng)絡(luò)識(shí)別時(shí)間對(duì)比

圖7為遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的多維和一維信息十次實(shí)驗(yàn)結(jié)果的正確率擬合線對(duì)比圖，其中一維信息為源端口號(hào)和報(bào)文長(zhǎng)度兩種，并將神經(jīng)網(wǎng)絡(luò)中的輸入?yún)?shù)設(shè)為1，隱含層節(jié)點(diǎn)個(gè)數(shù)設(shè)為3。從圖中可以看出，多維正確率擬合要遠(yuǎn)高于兩種一維正確率擬合線很多，說(shuō)明本文提出的六維輸入信息相對(duì)于傳統(tǒng)的一維信息，其識(shí)別正確率要更高，識(shí)別性能更優(yōu)。

圖6 BP神經(jīng)網(wǎng)絡(luò)和GEN-BP神經(jīng)網(wǎng)絡(luò)識(shí)別時(shí)間

圖7 多維和一維正確率擬合線

6 結(jié)語(yǔ)

針對(duì)網(wǎng)絡(luò)游戲數(shù)據(jù)流識(shí)別問(wèn)題，本文提出利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，相對(duì)于傳統(tǒng)的一維輸入信息識(shí)別，提出利用多維輸入信息進(jìn)行識(shí)別。通過(guò)仿真分析，將BP神經(jīng)網(wǎng)絡(luò)和GEN-BP神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果進(jìn)行對(duì)比，說(shuō)明GEN-BP神經(jīng)網(wǎng)絡(luò)相比BP神經(jīng)網(wǎng)絡(luò)不僅正確率更高，而且波動(dòng)更小，穩(wěn)定性更好，性能更優(yōu)。同時(shí)多維信息的識(shí)別率遠(yuǎn)高于一維信息的識(shí)別率。說(shuō)明本文選取的多維信息，利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)能夠很好地識(shí)別網(wǎng)絡(luò)游戲流。