支持向量机的半监督网络流量分类方法

发布时间：2018-05-02 03:33

  本文选题：网络流量分类 + 支持向量机　； 参考：《计算机应用》2013年06期

【摘要】：针对传统网络流量分类方法准确率低、开销大、应用范围受限等问题,提出一种支持向量机(SVM)的半监督网络流量分类方法。该方法在SVM训练中,使用增量学习技术在初始和新增样本集中动态地确定支持向量,避免不必要的重复训练,改善因出现新样本而造成原分类器分类精度降低、分类时间长的情况;改进半监督Tri-training方法对分类器进行协同训练,同时使用大量未标记和少量已标记样本对分类器进行反复修正,减少辅助分类器的噪声数据,克服传统协同验证对分类算法及样本类型要求苛刻的不足。实验结果表明,该方法可明显提高网络流量分类的准确率和效率。
[Abstract]:A semi-supervised network traffic classification method based on support vector machine (SVM) is proposed to solve the problems of low accuracy, large overhead and limited application scope of traditional network traffic classification methods. In SVM training, incremental learning is used to dynamically determine the support vector in the initial and new sample sets, to avoid unnecessary repeated training and to improve the accuracy of the original classifier due to the emergence of new samples. When the classification time is long, the improved semi-supervised Tri-training method is used to train the classifier in cooperation, and a large number of unlabeled and a few labeled samples are used to modify the classifier repeatedly, so as to reduce the noise data of the auxiliary classifier. To overcome the traditional collaborative verification of classification algorithm and sample types demanding shortcomings. Experimental results show that this method can improve the accuracy and efficiency of network traffic classification.
【作者单位】： 桂林电子科技大学计算机科学与工程学院;桂林电子科技大学广西可信软件重点实验室;桂林电子科技大学信息与通信学院;
【基金】：国家自然科学基金资助项目(61163058,61172053) 广西自然科学基金资助项目(2011GXNSFB018076)
【分类号】：TP393.06

【相似文献】

相关期刊论文 前10条

1 谷雨;基于增量式SVM的入侵检测研究[J];云南民族大学学报(自然科学版);2005年03期

2 佘锋;王小玲;;基于半监督学习的网络流量分类[J];计算机工程;2009年12期

3 周利萍,杨家红,黄务兰;基于SVM的增量学习算法及其在网页分类中的应用[J];计算机时代;2004年11期

4 景博,李剑,钱越英;一种协商在线增量学习算法及其在基于智能体的电子商务中的应用[J];计算机工程与应用;2005年02期

5 邹汉斌;雷红艳;邓卫红;;支持向量机在反垃圾邮件过滤中的应用[J];计算机工程与设计;2007年09期

6 饶鲜,董春曦,杨绍全;应用支持向量机实现计算机入侵检测[J];西安电子科技大学学报;2003年03期

7 吴静,周建国,晏蒲柳;支持向量机在网络故障诊断中的应用研究[J];计算机工程;2004年22期

8 李昆仑,黄厚宽,田盛丰,刘振鹏,刘志强;模糊多类支持向量机及其在入侵检测中的应用[J];计算机学报;2005年02期

9 程翔;江伴东;李毅成;;基于模糊MARS的入侵检测系统[J];信息工程大学学报;2008年03期

10 吴敏;王汝传;王治平;;基于支持向量机的P2P网络DoS攻击检测[J];计算机技术与发展;2009年11期

相关会议论文 前10条

1 刘李男;杨岳湘;唐川;;一种基于熵优化支持向量机的P2P流量检测方法[A];2008通信理论与技术新发展——第十三届全国青年通信学术会议论文集（下）[C];2008年

2 贺涛;曹先彬;;基于SVM的无线De-authentication攻击检测[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

3 张满怀;;两类基于异常的网络入侵检测方法的比较[A];2007中国科协年会——通信与信息发展高层论坛论文集[C];2007年

4 杨业;王永骥;;基于Internet的网络控制延时分析及预测[A];第二十三届中国控制会议论文集（上册）[C];2004年

5 谢毅;张俊灵;王莹;胡翠林;;一种基于SVM的信息安全入侵检测模型[A];2007通信理论与技术新发展——第十二届全国青年通信学术会议论文集（上册）[C];2007年

6 张家超;孔媛媛;;结合SVM与免疫遗传算法设计IDS的检测算法[A];2008年全国开放式分布与并行计算机学术会议论文集(下册)[C];2008年

7 刘晓勇;;基于GA与SVM融合的网页分类算法[A];中国运筹学会模糊信息与模糊工程分会第五届学术年会论文集[C];2010年

8 张小强;朱中梁;范平志;;基于SVM和序列互相关特性的入侵检测[A];可持续发展的中国交通——2005全国博士生学术论坛（交通运输工程学科）论文集（下册）[C];2005年

9 张红梅;;基于粗糙集特征约简的SVM集成入侵检测模型[A];2009中国控制与决策会议论文集（3）[C];2009年

10 陈琳;黄杰;龚正虎;;一种基于支持向量机的抗噪声邮件分类方法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

相关博士学位论文 前10条

1 董春曦;支持向量机及其在入侵检测中的应用研究[D];西安电子科技大学;2004年

2 贾银山;支持向量机算法及其在网络入侵检测中的应用[D];大连海事大学;2004年

3 段丹青;入侵检测算法及关键技术研究[D];中南大学;2007年

4 李战春;入侵检测中的机器学习方法及其应用研究[D];华中科技大学;2007年

5 饶鲜;入侵检测信道模型研究[D];西安电子科技大学;2006年

6 尹清波;基于机器学习的入侵检测方法研究[D];哈尔滨工程大学;2007年

7 魏宇欣;网络入侵检测系统关键技术研究[D];北京邮电大学;2008年

8 陈贞翔;具有规模适应性的互联网流量识别方法研究[D];山东大学;2008年

9 王美珍;垃圾邮件行为模式识别与过滤方法研究[D];华中科技大学;2009年

10 李千目;战略互联网故障智能诊断策略研究[D];南京理工大学;2005年

相关硕士学位论文 前10条

1 杨翔宇;SVM在Web文本挖掘中的应用与研究[D];哈尔滨工程大学;2005年

2 林红飞;支持向量机的研究及其在入侵检测中的应用[D];河海大学;2007年

3 陈栋梁;支持向量机训练算法研究[D];合肥工业大学;2007年

4 刘康炜;基于支持向量机的网页分类技术研究[D];中国石油大学;2009年

5 张宝华;支持向量机在入侵检测系统中的研究和应用[D];天津理工大学;2010年

6 徐华;基于支持向量机的Web文本挖掘研究[D];哈尔滨工程大学;2004年

7 叶春;局域支持向量机的改进及其在网络流量预测中的应用[D];西华大学;2010年

8 李佳;基于粒子群优化支持向量机的异常入侵检测研究[D];中南林业科技大学;2009年

9 于健峰;基于支持向量机增量学习的异常入侵检测算法研究[D];吉林大学;2012年

10 李响;基于半监督支持向量机的网络流量分类机制的研究与实现[D];北京邮电大学;2011年

，

本文编号：1832204