針對(duì)傳統(tǒng)流量分類方法存在模型訓(xùn)練速度慢、樣本標(biāo)記成本高和難以滿足分類實(shí)時(shí)性的問(wèn)題,構(gòu)建了一種在線的半監(jiān)督流量分類算法——OSOINN-RBF。首先使用改進(jìn)的自組織增量神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行在線增量式的無(wú)監(jiān)督學(xué)習(xí),獲得代表流量數(shù)據(jù)分布的SOINN網(wǎng)絡(luò),SOINN中節(jié)點(diǎn)的權(quán)重和半徑分別作為徑向基網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)的中心和半徑;徑向基網(wǎng)絡(luò)能夠捕獲數(shù)據(jù)中難以發(fā)現(xiàn)的規(guī)律性,具有良好的泛化能力和學(xué)習(xí)收斂速度;最后使用少部分標(biāo)記樣本調(diào)節(jié)徑向基網(wǎng)絡(luò)輸出層的權(quán)重,提高徑向基網(wǎng)絡(luò)的分類性能。實(shí)驗(yàn)結(jié)果證明,與主流分類算法相比,OSOINN-RBF算法的分類性能都為最優(yōu),具有最小的時(shí)間開(kāi)銷;面對(duì)未知流量類別時(shí),OSOINN-RBF算法相比SOINN算法的分類準(zhǔn)確率提高了5%～7%。

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

圖1流量分類框架

在流量分類的研究中廣泛采用5元組定義流[13]，即{源IP，目的IP，源端口，目的端口，傳輸層協(xié)議}。文獻(xiàn)[8]對(duì)流中所有數(shù)據(jù)包進(jìn)行統(tǒng)計(jì)特征分析，該方法只能用于離線的網(wǎng)絡(luò)流量分類，不能滿足實(shí)時(shí)在線的流量分類。本文提出了一種基于在線學(xué)習(xí)的網(wǎng)絡(luò)流量分類框架，如圖1所示。圖中的數(shù)據(jù)預(yù)處....

圖2神經(jīng)元學(xué)習(xí)的2種情況

圖2b所示的第2種情況是輸入樣本位于獲勝神經(jīng)元的半徑內(nèi)時(shí)，將建立這2個(gè)單元之間的連接，不再生成新的神經(jīng)元。(2）拓?fù)鋵W(xué)習(xí)。假設(shè)神經(jīng)元連接關(guān)系集合C?N×N，當(dāng)xt成為新生神經(jīng)元，則更新神經(jīng)元集合為N=N∪{i}，若w1和w2不存在連接，獲勝者和第二獲勝者將建立連接，并將連接添加到....

圖3OSOINN-RBF算法

式中：wk為隱藏單元的權(quán)重；核函數(shù)φk(x）用來(lái)衡量樣本和樣本之間的相似度。本文選擇高斯核作為徑向函數(shù)其中μk和σk是高斯核的超參數(shù)，分別代表隱藏單元k的中心與半徑。

圖4訓(xùn)練樣本標(biāo)記比例10%下的分類性能

為測(cè)試算法的在線學(xué)習(xí)能力與分類性能穩(wěn)定性，圖4、圖5給出了不同算法的在線學(xué)習(xí)能力對(duì)比，其中圖4為算法在訓(xùn)練樣本標(biāo)記比例為10%下的分類準(zhǔn)確率，圖5為算法在訓(xùn)練樣本標(biāo)記比例為20%下的分類準(zhǔn)確率�？梢钥闯�，在樣本標(biāo)記比例10%的情況下，訓(xùn)練初期樣本數(shù)較少時(shí)，K-means分類準(zhǔn)確率....

本文編號(hào)：3894184