本文選題：網(wǎng)絡流量分類 + 支持向量機��； 參考：《計算機應用》2013年06期

【摘要】：針對傳統(tǒng)網(wǎng)絡流量分類方法準確率低、開銷大、應用范圍受限等問題,提出一種支持向量機(SVM)的半監(jiān)督網(wǎng)絡流量分類方法。該方法在SVM訓練中,使用增量學習技術在初始和新增樣本集中動態(tài)地確定支持向量,避免不必要的重復訓練,改善因出現(xiàn)新樣本而造成原分類器分類精度降低、分類時間長的情況;改進半監(jiān)督Tri-training方法對分類器進行協(xié)同訓練,同時使用大量未標記和少量已標記樣本對分類器進行反復修正,減少輔助分類器的噪聲數(shù)據(jù),克服傳統(tǒng)協(xié)同驗證對分類算法及樣本類型要求苛刻的不足。實驗結果表明,該方法可明顯提高網(wǎng)絡流量分類的準確率和效率。
[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.
【作者單位】： 桂林電子科技大學計算機科學與工程學院;桂林電子科技大學廣西可信軟件重點實驗室;桂林電子科技大學信息與通信學院;
【基金】：國家自然科學基金資助項目(61163058,61172053) 廣西自然科學基金資助項目(2011GXNSFB018076)
【分類號】：TP393.06

【相似文獻】

相關期刊論文 前10條

1 谷雨;基于增量式SVM的入侵檢測研究[J];云南民族大學學報(自然科學版);2005年03期

2 佘鋒;王小玲;;基于半監(jiān)督學習的網(wǎng)絡流量分類[J];計算機工程;2009年12期

3 周利萍,楊家紅,黃務蘭;基于SVM的增量學習算法及其在網(wǎng)頁分類中的應用[J];計算機時代;2004年11期

4 景博,李劍,錢越英;一種協(xié)商在線增量學習算法及其在基于智能體的電子商務中的應用[J];計算機工程與應用;2005年02期

5 鄒漢斌;雷紅艷;鄧衛(wèi)紅;;支持向量機在反垃圾郵件過濾中的應用[J];計算機工程與設計;2007年09期

6 饒鮮,董春曦,楊紹全;應用支持向量機實現(xiàn)計算機入侵檢測[J];西安電子科技大學學報;2003年03期

7 吳靜,周建國,晏蒲柳;支持向量機在網(wǎng)絡故障診斷中的應用研究[J];計算機工程;2004年22期

8 李昆侖,黃厚寬,田盛豐,劉振鵬,劉志強;模糊多類支持向量機及其在入侵檢測中的應用[J];計算機學報;2005年02期

9 程翔;江伴東;李毅成;;基于模糊MARS的入侵檢測系統(tǒng)[J];信息工程大學學報;2008年03期

10 吳敏;王汝傳;王治平;;基于支持向量機的P2P網(wǎng)絡DoS攻擊檢測[J];計算機技術與發(fā)展;2009年11期

相關會議論文 前10條

1 劉李男;楊岳湘;唐川;;一種基于熵優(yōu)化支持向量機的P2P流量檢測方法[A];2008通信理論與技術新發(fā)展——第十三屆全國青年通信學術會議論文集（下）[C];2008年

2 賀濤;曹先彬;;基于SVM的無線De-authentication攻擊檢測[A];第三屆全國信息檢索與內(nèi)容安全學術會議論文集[C];2007年

3 張滿懷;;兩類基于異常的網(wǎng)絡入侵檢測方法的比較[A];2007中國科協(xié)年會——通信與信息發(fā)展高層論壇論文集[C];2007年

4 楊業(yè);王永驥;;基于Internet的網(wǎng)絡控制延時分析及預測[A];第二十三屆中國控制會議論文集（上冊）[C];2004年

5 謝毅;張俊靈;王瑩;胡翠林;;一種基于SVM的信息安全入侵檢測模型[A];2007通信理論與技術新發(fā)展——第十二屆全國青年通信學術會議論文集（上冊）[C];2007年

6 張家超;孔媛媛;;結合SVM與免疫遺傳算法設計IDS的檢測算法[A];2008年全國開放式分布與并行計算機學術會議論文集(下冊)[C];2008年

7 劉曉勇;;基于GA與SVM融合的網(wǎng)頁分類算法[A];中國運籌學會模糊信息與模糊工程分會第五屆學術年會論文集[C];2010年

8 張小強;朱中梁;范平志;;基于SVM和序列互相關特性的入侵檢測[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術論壇（交通運輸工程學科）論文集（下冊）[C];2005年

9 張紅梅;;基于粗糙集特征約簡的SVM集成入侵檢測模型[A];2009中國控制與決策會議論文集（3）[C];2009年

10 陳琳;黃杰;龔正虎;;一種基于支持向量機的抗噪聲郵件分類方法[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2004年

相關博士學位論文 前10條

1 董春曦;支持向量機及其在入侵檢測中的應用研究[D];西安電子科技大學;2004年

2 賈銀山;支持向量機算法及其在網(wǎng)絡入侵檢測中的應用[D];大連海事大學;2004年

3 段丹青;入侵檢測算法及關鍵技術研究[D];中南大學;2007年

4 李戰(zhàn)春;入侵檢測中的機器學習方法及其應用研究[D];華中科技大學;2007年

5 饒鮮;入侵檢測信道模型研究[D];西安電子科技大學;2006年

6 尹清波;基于機器學習的入侵檢測方法研究[D];哈爾濱工程大學;2007年

7 魏宇欣;網(wǎng)絡入侵檢測系統(tǒng)關鍵技術研究[D];北京郵電大學;2008年

8 陳貞翔;具有規(guī)模適應性的互聯(lián)網(wǎng)流量識別方法研究[D];山東大學;2008年

9 王美珍;垃圾郵件行為模式識別與過濾方法研究[D];華中科技大學;2009年

10 李千目;戰(zhàn)略互聯(lián)網(wǎng)故障智能診斷策略研究[D];南京理工大學;2005年

相關碩士學位論文 前10條

1 楊翔宇;SVM在Web文本挖掘中的應用與研究[D];哈爾濱工程大學;2005年

2 林紅飛;支持向量機的研究及其在入侵檢測中的應用[D];河海大學;2007年

3 陳棟梁;支持向量機訓練算法研究[D];合肥工業(yè)大學;2007年

4 劉康煒;基于支持向量機的網(wǎng)頁分類技術研究[D];中國石油大學;2009年

5 張寶華;支持向量機在入侵檢測系統(tǒng)中的研究和應用[D];天津理工大學;2010年

6 徐華;基于支持向量機的Web文本挖掘研究[D];哈爾濱工程大學;2004年

7 葉春;局域支持向量機的改進及其在網(wǎng)絡流量預測中的應用[D];西華大學;2010年

8 李佳;基于粒子群優(yōu)化支持向量機的異常入侵檢測研究[D];中南林業(yè)科技大學;2009年

9 于健峰;基于支持向量機增量學習的異常入侵檢測算法研究[D];吉林大學;2012年

10 李響;基于半監(jiān)督支持向量機的網(wǎng)絡流量分類機制的研究與實現(xiàn)[D];北京郵電大學;2011年

，

本文編號：1832204