APP下载

基于支持向量机的网络流量分类方法

2017-03-17龚垒王一帆

电子技术与软件工程 2016年16期
关键词:机器学习

龚垒+王一帆

摘 要

本文将机器学习分类方法,引入到网络流量领域。结合构风险最小化原则,提出基于支持向量机的网络流量分类方法,将网络流量分类问题转化为二次寻优问题,以解决网络流量过程中训练样本较少和属性过滤等问题。实验表明,支持向量机网络流量分类方法,有效地保证网络流量分类的精度,具有较好的推广性。

【关键词】网络流量分类 机器学习 支持向量机

近年来,随着互联网规模的迅速发展,网络拥堵问题日益加剧。因此,容量规划、流量调度等网络流量控制策略成为网络安全与管理领域研究的热点问题。在网络流量分类研究中,分类对象通常是网络报文,而在海量的网络数据集合下,网络报文流量分类精度会因为维数的增高而下降。传统的分类算法有 近邻、朴素贝叶斯等方法。然而上述传统算法实际应用中,在已知样本有限情况下,难以构建有效的分类规则,无法保证分类精度。

支持向量机方法是建立在统计学习理论基础上,根据结构风险最小化原则,将分类问题转化为二次寻优问题(即寻找最优超平面),从而避免在分类学习过程中对训练样本的依赖,同时具有较高的分类精度。目前,支持向量机方法在文本分类、图像识别等多个领域,具有较好的推广性。因此,本文将支持向量机学习方法引入到网络流量分类中,以利用该算法的特点,解决实际的网络流量分类问题。

1 网络流量分类

目前主流的网络流量分类方法是以网络报文作为分类元素,按照一定的策略和学习算法进行分类,将特定端口的网络流量划分到相对应的网络,以便进行网络管理。……

登录APP查看全文

猜你喜欢

机器学习
基于词典与机器学习的中文微博情感分析
基于网络搜索数据的平遥旅游客流量预测分析
前缀字母为特征在维吾尔语文本情感分类中的研究
下一代广播电视网中“人工智能”的应用
基于支持向量机的金融数据分析研究
基于Spark的大数据计算模型
基于朴素贝叶斯算法的垃圾短信智能识别系统
极限学习机在图像分割中的应用
一种基于迁移极速学习机的人体行为识别模型