隨著網(wǎng)絡(luò)應(yīng)用服務(wù)類型的多樣化以及網(wǎng)絡(luò)流量加密技術(shù)的不斷發(fā)展,加密流量識別已經(jīng)成為網(wǎng)絡(luò)安全領(lǐng)域的一個重大挑戰(zhàn)。傳統(tǒng)的流量識別技術(shù)如深度包檢測無法有效地識別加密流量,而基于機器學(xué)習理論的加密流量識別技術(shù)則表現(xiàn)出很好的效果。因此,本文提出一種融合梯度提升決策樹算法（GBDT）與邏輯回歸（LR）算法的加密流量分類模型,使用貝葉斯優(yōu)化（BO）算法進行超參數(shù)調(diào)整,利用與時間相關(guān)的流特征對普通加密流量與VPN加密流量進行識別,實現(xiàn)了整體高于90%的流量識別準確度,與其他常用分類模型相比擁有更好的識別效果。 

【文章來源】：計算機與現(xiàn)代化. 2020,(03)

【文章頁數(shù)】：6 頁

【部分圖文】：

GBDT-LR模型訓(xùn)練示意圖

在GBDT算法中，每一次迭代的預(yù)測值都是將之前所有決策樹的預(yù)測值以串行的方式累加的，新決策樹是向擬合之前決策樹的殘差的方向形成。在一系列的決策樹形成過程中，結(jié)點分裂會首先關(guān)注于能區(qū)分多數(shù)樣本的特征，然后關(guān)注于能區(qū)分少數(shù)樣本的特征。這種先選用整體上有區(qū)分度的特征，再選用對少數(shù)樣本有區(qū)分度的特征的方式用于特征工程是比較合理的。因此，新的特征同時包含了能區(qū)分多數(shù)樣本和少數(shù)樣本的特征，這種策略剛好適用于特征工程。3 基于GBDT與LR融合模型的加密流量識別

GBDT-LR分類器訓(xùn)練流程圖

【參考文獻】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量分類方法[J]. 王勇,周慧怡,俸皓,葉苗,柯文龍.  通信學(xué)報. 2018(01)



本文編號：3231417