針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)算法對(duì)于流量分類的瓶頸問題,提出基于一維卷積神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用程序流量分類算法。將網(wǎng)絡(luò)流量數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理,去除無關(guān)數(shù)據(jù)字段,并使數(shù)據(jù)滿足卷積神經(jīng)網(wǎng)絡(luò)的輸入特性。設(shè)計(jì)了一種新的一維卷積神經(jīng)網(wǎng)絡(luò)模型,從網(wǎng)絡(luò)結(jié)構(gòu)、超參數(shù)空間以及參數(shù)優(yōu)化方面入手構(gòu)造了最優(yōu)分類模型。該模型通過卷積層自主學(xué)習(xí)數(shù)據(jù)特征,解決了傳統(tǒng)基于機(jī)器學(xué)習(xí)的流量分類算法中特征選擇問題。通過網(wǎng)絡(luò)公開數(shù)據(jù)集進(jìn)行模型測(cè)試,相比于傳統(tǒng)的一維卷積神經(jīng)網(wǎng)絡(luò)模型,所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)模型的分類準(zhǔn)確率提升了16.4%,總分類時(shí)間節(jié)省了71.48%。另外在類精度、召回率以及F1分?jǐn)?shù)方面都有較好的提升。 

【文章來源】：計(jì)算機(jī)工程與應(yīng)用. 2020,56(03)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)模型圖

4種不同的實(shí)驗(yàn)編號(hào)的模型訓(xùn)練準(zhǔn)確率對(duì)比圖如圖5所示，模型測(cè)試時(shí)間對(duì)比圖如圖6所示。通過不同超參數(shù)模型的訓(xùn)練準(zhǔn)確率以及模型測(cè)試時(shí)間對(duì)比，實(shí)驗(yàn)2和實(shí)驗(yàn)3的模型訓(xùn)練準(zhǔn)確率較高，而實(shí)驗(yàn)3和實(shí)驗(yàn)4的模型訓(xùn)練時(shí)間較短，因此本文選用的是實(shí)驗(yàn)3的超參數(shù)空間。本文完整的參數(shù)配置如表3所示。圖6 不同超參數(shù)模型訓(xùn)練時(shí)間對(duì)比圖

應(yīng)用程序流量分類問題的傳統(tǒng)處理流程如圖1所示，特征的選擇是傳統(tǒng)流量分類的研究瓶頸。本文使用的卷積神經(jīng)網(wǎng)絡(luò)可以從原始數(shù)據(jù)集中通過多層卷積網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)自主選擇特征，然后根據(jù)卷積神經(jīng)網(wǎng)絡(luò)自身網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)造特征空間并通過大量數(shù)據(jù)的訓(xùn)練不斷優(yōu)化特征空間。這種分類方法不僅解決了特征選擇的困難而且為在線流量分類提供了可能。3 1D-CNN流量分類方法

【參考文獻(xiàn)】：
期刊論文
[1]網(wǎng)絡(luò)視頻流量分類的特征選擇方法研究[J]. 吳爭(zhēng),董育寧.  計(jì)算機(jī)工程與應(yīng)用. 2018(06)
[2]基于改進(jìn)的C4.5算法的網(wǎng)絡(luò)流量分類方法[J]. 周劍峰,陽(yáng)愛民,劉吉財(cái).  計(jì)算機(jī)工程與應(yīng)用. 2012(05)



本文編號(hào)：3093321