基于集成聚类的流量分类架构

发布时间：2017-08-18 01:11

  本文关键词：基于集成聚类的流量分类架构

  更多相关文章： 基于集成聚类的流量分类架构 集成聚类 流量分类 数据流特征 机器学习

【摘要】：流量分类是优化网络服务质量的基础与关键.机器学习算法利用数据流统计特征分类流量,对于识别加密私有协议流量具有重要意义.然而,特征偏置和类别不平衡是基于机器学习的流量分类研究所面临的两大挑战.特征偏置是指一些数据流统计特征在提高部分应用识别准确率的同时也降低了另外一部分应用识别的准确率.类别不平衡是指机器学习流量分类器对样本数较少的应用识别的准确率较低.为解决上述问题,提出了基于集成聚类的流量分类架构(traffic classification framework based on ensemble clustering,简称TCFEC).TCFEC由多个基于不同特征子空间聚类的基分类器和一个最优决策部件构成,能够提高流量分类的准确率.具体而言,与传统的机器学习流量分类器相比,TCFEC的平均流准确率最高提升5%,字节准确率最高提升6%.
【作者单位】： 中国洛阳电子装备试验中心;哈尔滨工业大学计算机科学与技术学院;
【关键词】： 基于集成聚类的流量分类架构 集成聚类 流量分类 数据流特征 机器学习
【基金】：国家自然科学基金(61303061,61402485) 高性能计算国家重点实验室开放课题(201513-01)~~
【分类号】：TP393.06
【正文快照】： jos.org.cn/1000-9825/4885.htm英文引用格式:Lu G,Yu XZ,Zhang HL,Guo RH.Traffic classification framework based on ensemble clustering.Ruan Jian XueBao/Journal of Software,2016,27(11):2870?2883(in Chinese).http://www.jos.org.cn/1000-9825/4885.htmTraffic Clas

【相似文献】

中国期刊全文数据库 前10条

1 张龙璨;柳斌;李芝棠;;机器学习分类下网络流量的特征选取[J];广西大学学报(自然科学版);2011年S1期

2 陈威;王利明;耿光刚;毛伟;李晓东;;基于机器学习的域名信用评价方法[J];计算机应用研究;2012年02期

3 田新广;高立志;张尔扬;;新的基于机器学习的入侵检测方法[J];通信学报;2006年06期

4 刘举;;回归模型中基于机器学习的流量预测算法[J];电脑知识与技术;2012年04期

5 常卫东;两种机器学习型入侵检测技术探讨[J];宁波职业技术学院学报;2005年02期

6 王俊;郑笛;吴泉源;官延安;;服务计算环境下一种基于机器学习的负载预测方法研究[J];计算机科学;2007年09期

7 于振洋;;回归模型中基于机器学习的流量预测算法[J];淮海工学院学报(自然科学版);2012年01期

8 王涛;余顺争;;基于机器学习的网络流量分类研究进展[J];小型微型计算机系统;2012年05期

9 许琦;;一种基于人工和机器学习相结合的教学网络资源分类方法[J];中国信息技术教育;2013年12期

10 周杰;;基于机器学习的旅游推介系统的设计[J];科教文汇(下旬刊);2013年12期

中国博士学位论文全文数据库 前3条

1 张义荣;基于机器学习的入侵检测技术研究[D];国防科学技术大学;2005年

2 解男男;机器学习方法在入侵检测中的应用研究[D];吉林大学;2015年

3 郑凯梅;基于统计机器学习的网络入侵检测分类研究[D];中国矿业大学（北京）;2010年

中国硕士学位论文全文数据库 前10条

1 杨宜辰;基于机器学习的网络流量分类技术研究与应用[D];安徽理工大学;2014年

2 赵忠华;基于机器学习的入侵检测研究[D];山东大学;2009年

3 姜海东;基于机器学习的异常流量检测[D];南京邮电大学;2014年

4 张倩;基于机器学习的入侵检测[D];浙江大学;2008年

5 邓河;基于机器学习方法的网络流量分类研究[D];湖南工业大学;2009年

6 许孟晋;基于机器学习的网络流量分类系统研究与实现[D];国防科学技术大学;2010年

7 李卫星;基于SVM的机器学习识别P2P流的方法的研究与实现[D];北京邮电大学;2010年

8 丁里;基于机器学习的P2P网络流分类研究[D];江南大学;2015年

9 李洋;基于机器学习的网页恶意代码检测技术研究[D];西安电子科技大学;2013年

10 张蕾;基于机器学习的网络舆情采集技术研究与设计[D];电子科技大学;2014年

，

本文编号：691973