章 恒，鞠时光

(江苏大学计算机科学与通信工程学院，江苏 镇江 212013)

0 引 言

近些年，互联网的迅速发展使得活跃在网络上的用户不断增加，不断增长的数据量为网络数据流挖掘带来了困难和挑战[1-2]。数据流挖掘在网络入侵检测[3]、恶意软件检测等领域[4]都有着广泛的应用。传统的机器学习算法使用在静态的环境中，但在实际情况中，数据流可能受环境影响变成具有动态行为的数据序列，其内在数据分布会随着时间发生变化，这种变化被称为概念漂移[5]。网络数据流中概念漂移的出现，使得传统的机器学习模型显得捉襟见肘，旧的训练数据不含有新的概念，就难以对新的概念有效识别，导致分类性能下降。为了能有效地处理含有概念漂移的网络数据流，就需要提出新的数据流分类算法。

目前，针对存在概念漂移的数据流分类问题，很多学者提出了不同的方案。由于数据流的概念漂移随时可能发生，需要及时更新分类器来适应新的概念。分类器适应数据流的漂移一般分为2种方式[6]：一种是被动更新，无论数据流中是否存在漂移，当有新的数据到来时更新分类模型；另一种方式是主动更新，使用概念漂移检测器来主动检测数据流中的漂移，只有当漂移存在时才更新分类器。

由上可知，被动更新比较消极，虽然能及时应对漂移，但是新概念的出现频率较低，频繁的模型更新会浪费大量计算资源，而主动更新在检测到概念漂移时才去更新分类模型，不会浪费计算资源。……