ScholarMate
English简体中文繁體中文
客服热线:400-1616-289
登录注册
期刊论文

支持向量机的半监督网络流量分类方法

李平红; 王勇; 陶晓玲桂林电子科技大学
计算机应用2013-6-1
9阅读
引用收藏
分享

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
相关
加载中…
  • 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.
查看全部 →

发表信息

论文状态
公开发表
期刊
计算机应用
发表日期
2013-06-01
卷期
第 06 期
页码
1515-1518
成果收录
CHINAJOURNAL
资助标注
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)

作者

  • 李

    李平红 (第一作者)

  • 王

    王勇

查看全部 3 位作者收起作者
  • 陶

    陶晓玲

登录解锁更多功能

  • 收藏这篇,随时在“我的 · 收藏”找回
  • 认领你的成果,生成推广素材
  • 关注作者获取最新成果
  • 加入项目组、协同写作
注册 / 登录

产品服务

  • 科研之友
  • 创新城
  • 科创云

服务支持

  • 帮助中心
  • 隐私政策
  • 服务条款

联系方式

在线客服:【】
客服热线:400-1616-289
电子邮箱:support@scholarmate.com

关注或下载科研之友

微信二维码
微信公众号
客户端下载二维码
下载客户端
科研成果科研人员科研机构科研动态爱瑞思软件

©2026 深圳市科研之友网络服务有限公司

公安备案图标粤公网安备 44030502000213
粤ICP备 16046710 号粤B2-20110417