计算机应用

作者：刘丹, 姚立霜, 王云锋, 裴作飞

单位：1. 重庆邮电大学 通信与信息工程学院, 重庆 400065;2. 移动通信技术重庆市重点实验室(重庆邮电大学), 重庆 400065

关键词：流量分类,类不平衡,特征选择,增量学习,集成学习

基金：长江学者和创新团队发展计划（IRT_16R72）。

针对网络流量分类过程中，传统模型在小类别上的分类性能较差和难以实现频繁、及时更新的问题，提出一种基于集成学习的网络流量分类模型（ELTCM）。首先，根据类别分布信息定义了偏向于小类别的特征度量，利用加权对称不确定性和近似马尔可夫毯（AMB）对网络流量特征进行降维，减小类不平衡问题带来的影响；然后，引入早期概念漂移检测增强模型应对流量特征随网络变化而变化的能力，并通过增量学习的方式提高模型更新训练的灵活性。利用真实流量数据集进行实验，仿真结果表明，与基于C4.5决策树的分类模型（DTITC）和基于错误率的概念漂移检测分类模型（ERCDD）相比，ELTCM的平均整体精确率分别提高了1.13%和0.26%，且各小类别的分类性能皆优于对比模型。ELTCM有较好的泛化能力，能在不牺牲整体分类精度的情况下有效提高小类别的分类性能。

来源：2020年第8期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第8期