计算机应用

作者：李道全, 徐正, 陈思慧, 刘嘉宇

单位：青岛理工大学 信息与控制工程学院，山东 青岛 266520

关键词：网络流量分类,不平衡数据集,数据增强,变分自编码器,集成学习,自适应增强算法

基金：山东省自然科学基金面上项目(ZR2023MF052)

网络流量分类问题一直是一种随着网络通信发展而不断迭代方法的难题，发展至今已有多种解决方法。目前对网络数据进行分类时大多数方法会将目光聚集在种类均衡的数据集上以便于实验和计算。针对大部分现实网络数据集仍不平衡的问题，提出一种融合变分自编码器（VAE）与自适应增强卷积神经网络（AdaBoost-CNN）的网络流量分类模型VAE-ABC （Variational AutoEncoder-Adaptive Boosting-Convolutional neural network）。首先，在数据层面使用VAE对不平衡数据集进行部分增强，并利用VAE学习数据潜在分布的特性缩短学习时间；其次，为了在算法层面提高分类效果，结合集成学习的思想，以自适应增强（AdaBoost）算法为基础设计一种使用改进的卷积神经网络（CNN）作为弱分类器的AdaBoost-CNN算法，从而提高学习和训练的准确率；最后，使用全连接层完成特征映射，并通过激活函数Sigmoid获得最终的分类结果。多重对比实验的结果表明，所提模型在分类数据集ISCX VPN-nonVPN划分后的不平衡子数据集上的准确率达到了94.31%，对比使用支持向量机（SVM）作为弱分类器的AdaBoost-SVM、使用SMOTE （Synthetic Minority Oversampling TEchnique）算法与SVM结合的SMOTE-SVM、使用决策树（D-T）作为弱分类器并与SMOTE算法结合的SMOTE-AB-D-T，所提模型的准确率分别提高了1.34、0.63和0.24个百分点。可见，所提模型在该数据集上的分类效果优于其他模型。

来源：2025年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第6期