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。
学科与关键词
关键词
网络流量分类支持向量机半监督增量学习协同训练 network traffic classificationSupport Vector Machine(SVM)semi-supervisedincremental learningTri-training
- 基于SVM的并行网络流量分类方法裴杨; 王勇; 陶晓玲; 李平红计算机工程与设计, 2013, (08): 2646-2650.
- 一种混合约束的半监督网络流量特征选择方法李平红; 陶晓玲; 王勇计算机仿真, 2013, (09): 256-260.
- 基于BP神经网络聚类算法的P2P流量识别赵魏雨; 唐文秀化工自动化及仪表, 2013, (04): 515.
