發(fā)布時(shí)間：2024-05-14 05:33

　　為對(duì)比分析軟件定義網(wǎng)絡(luò)(SDN)環(huán)境下不同機(jī)器學(xué)習(xí)算法的網(wǎng)絡(luò)流量分類效果,對(duì)Moore數(shù)據(jù)集進(jìn)行了平衡處理,在機(jī)器學(xué)習(xí)平臺(tái)RapidMiner上對(duì)K-近鄰(KNN)、隨機(jī)森林(RF)、支持向量機(jī)(SVM)和梯度提升決策樹(GBDT) 4種經(jīng)典機(jī)器學(xué)習(xí)算法選取不同的分類特征進(jìn)行分類實(shí)驗(yàn).實(shí)驗(yàn)結(jié)果表明,較其他3種算法,GBDT算法可以在較短的時(shí)間內(nèi)獲得更好的分類效果.

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

圖1Borderline-SMOTE算法流程

因本文中使用的Moore數(shù)據(jù)集中GAME類型與其他類型樣本量差距太大，即使使用Borderline-SMOTE算法也無法避免樣本重疊，所以在進(jìn)行實(shí)驗(yàn)時(shí)，剔除了標(biāo)記為GAME類型的樣本，然后選取WWW類型部分樣本和其他類型的全部樣本組成新的訓(xùn)練數(shù)據(jù)集，采用Borderline-SM....

圖2不同算法對(duì)各種特征的分類準(zhǔn)確率

不同算法對(duì)各種特征的分類準(zhǔn)確率如圖2所示．由圖2可以看出，在對(duì)網(wǎng)絡(luò)流量進(jìn)行分類時(shí)，不同的特征對(duì)識(shí)別準(zhǔn)確率的影響很大，基于端口號(hào)的識(shí)別方法、基于時(shí)間信息的識(shí)別方法和基于信息標(biāo)志位的識(shí)別方法無論在何種機(jī)器學(xué)習(xí)方法下識(shí)別率均不高，而將數(shù)據(jù)包數(shù)量、數(shù)據(jù)包大小等網(wǎng)絡(luò)流量統(tǒng)計(jì)信息作為分類特征....

圖3不同算法對(duì)組合特征的分類準(zhǔn)確率

本文在機(jī)器學(xué)習(xí)平臺(tái)RapidMiner上驗(yàn)證了SDN環(huán)境下KNN、SVM、RF和GBDT這4種算法的網(wǎng)絡(luò)流量分類效果．實(shí)驗(yàn)結(jié)果表明，GBDT算法利用每次學(xué)習(xí)的殘差進(jìn)行迭代訓(xùn)練，相較于其他3種算法具有更好的分類效果和較短的訓(xùn)練時(shí)間．SDN的網(wǎng)絡(luò)可重構(gòu)能力為將GBDT算法作為功能模塊....

圖4不同算法的訓(xùn)練時(shí)間

圖3不同算法對(duì)組合特征的分類準(zhǔn)確率

本文編號(hào)：3973257