基于一维卷积神经网络的网络流量分类方法

发布时间：2021-03-21 18:12

　　针对传统机器学习算法对于流量分类的瓶颈问题,提出基于一维卷积神经网络模型的应用程序流量分类算法。将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。设计了一种新的一维卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中特征选择问题。通过网络公开数据集进行模型测试,相比于传统的一维卷积神经网络模型,所设计的神经网络模型的分类准确率提升了16.4%,总分类时间节省了71.48%。另外在类精度、召回率以及F1分数方面都有较好的提升。 

【文章来源】：计算机工程与应用. 2020,56(03)北大核心CSCD

【文章页数】：6 页

【部分图文】：

卷积神经网络模型图

4种不同的实验编号的模型训练准确率对比图如图5所示，模型测试时间对比图如图6所示。通过不同超参数模型的训练准确率以及模型测试时间对比，实验2和实验3的模型训练准确率较高，而实验3和实验4的模型训练时间较短，因此本文选用的是实验3的超参数空间。本文完整的参数配置如表3所示。图6 不同超参数模型训练时间对比图

应用程序流量分类问题的传统处理流程如图1所示，特征的选择是传统流量分类的研究瓶颈。本文使用的卷积神经网络可以从原始数据集中通过多层卷积网络进行学习自主选择特征，然后根据卷积神经网络自身网络结构构造特征空间并通过大量数据的训练不断优化特征空间。这种分类方法不仅解决了特征选择的困难而且为在线流量分类提供了可能。3 1D-CNN流量分类方法

【参考文献】：
期刊论文
[1]网络视频流量分类的特征选择方法研究[J]. 吴争,董育宁.  计算机工程与应用. 2018(06)
[2]基于改进的C4.5算法的网络流量分类方法[J]. 周剑峰,阳爱民,刘吉财.  计算机工程与应用. 2012(05)



本文编号：3093321