基于类均值向量及指数分布流量行为特征分析.pdfVIP

第２８卷第１１期　　　 计算机应用与软件 Ｖｏｌ２８Ｎｏ．１１ ２０１１年１１月　　 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ Ｎｏｖ．２０１１ 基于类均值向量及指数分布的流量行为特征分析 董　仕　丁　伟 （东南大学计算机科学与工程学院　江苏南京２１００９２） （华东（北）地区网络中心　 江苏南京２１００９２） 摘　要　　引入类均值向量度量及 指数分布方法，旨在提高分类正确率的基础上，克服由于抽样而带来的对分类结果的影响。 αβ 利用流记录ＮＯＣ＿ＳＥＴ为ＤＡＴＡＳＥＴ，并以ＮＥＴＦＬＯＷ固有的测度和少量扩展测度为属性，利用所提出的ＦＢＲＩ（Ｆｌｏｗｂｅｈａｖｉｏｒｉｄｅｎｔｉｆｉ ｃａｔｉｏｎ）属性选择算法对经典的机器学习算法进行流量识别。实验结果表明：任意比例的抽样对于采用ＦＢＲＩ属性选择的评估结果基 本一致，并且利用ＦＢＲＩ属性选择算法可以提高应用识别正确率。 关键词　　类均值向量　αβ指数分布方法　ＮＥＴＦＬＯＷ　机器学习 中图分类号　ＴＰ３　　　　文献标识码　Ａ ＣＬＡＳＳＭＥＡＮＶＥＣＴＯＲＡＮＤＥＸＰＯＮＥＮＴＩＡＬＤＩＳＴＲＩＢＵＴＩＯＮ ＴＲＡＦＦＩＣＢＥＨＡＶＩＯＲＦＥＡＴＵＲＥＡＮＡＬＹＳＩＳ ＤｏｎｇＳｈｉ　ＤｉｎｇＷｅｉ （ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９２，Ｊｉａｎｇｓｕ，Ｃｈｉｎａ） （ＥａｓｔｅｒｎＣｈｉｎａ（Ｎｏｒｔｈ）ＲｅｇｉｏｎａｌＮｅｔｗｏｒｋＣｅｎｔｅｒ，Ｎａｎｊｉｎｇ２１００９２，Ｊｉａｎｇｓｕ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ　　Ｔｈｅｉｎｔｒｏｄｕｃｔｉｏｎｏｆｃｌａｓｓｍｅａｎｖｅｃｔｏｒｍｅａｓｕｒｅｍｅｎｔｓａｎｄ ｅｘｐｏｎｅｎｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｍｅｔｈｏｄｓｉｓｔｏｂａｓｅｏｎｉｍｐｒｏｖｉｎｇｔｈｅｃｏｒｒｅｃｔ αβ ｃｌａｓｓｉｆｉｃａｔｉｏｎｒａｔｉｏｔｏｏｖｅｒｃｏｍｅｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｉｎｆｌｕｅｎｃｅｂｒｏｕｇｈｔｂｙｓａｍｐｌｉｎｇ．ＴａｋｉｎｇｆｌｏｗｒｅｃｏｒｄｓＮＯＣ＿ＳＥＴａｓｄａｔａｓｅｔ，ｉｎａｄｄｉｔｉｏｎ ｔａｋｉｎｇＮＥＴＦＬＯＷｓｉｎｈｅｒｅｎｔｍｅａｓｕｒｅａｎｄａｆｅｗｅｘｔｅｎｄｅｄｍｅａｓｕｒｅｓａｓｆｅａｔｕｒｅｓ，ｔｈｅｍｅｔｈｏｄｕｓｅｓｔｈｅｐｒｏｐｏｓｅｄＦＢＲＩ（Ｆｌｏｗｂｅｈａｖｉｏｒｉｄｅｎｔｉｆｉｃａ ｔｉｏｎ）ａｔｔｒｉｂｕｔｅｓｅｌｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｔｏｉｄｅｎｔｉｆｙｔｈｅｔｒａｆｆｉｃｆｏｒｃｌａｓｓｉｃｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｓ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｅｖａｌｕａｔｉｏｎ ｒｅｓｕｌｔｓｔｏＦＢＲＩｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｓｆｏｒａｒｂｉｔｒａｒｙｐｒｏｐｏｒｔｉｏｎｓｏｆｓａｍｐｌｉｎｇａｒｅｏｆｔｈｅｓａｍｅ；ａｄｄｉｔｉｏｎａｌｌｙ，ｂｙｕｓｉｎｇＦＢＲＩｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎａｌｇｏｒｉｔｈｍ ｐｒｏｐｏｓｅｄｉｎｔｈｅｔｈｅｓｉｓ，ｔｈｅｃｏｒｒｅｃｔｉｄｅｎｔｉｆｉｃａｔｉｏｎｒａｔｉｏｃａｎｂｅｉｍｐｒｏｖｅｄ． Ｋｅｙｗｏｒｄｓ　　Ｃｌａｓｓｍｅａｎｖｅｃｔｏｒｓ　αβｅｘｐｏｎｅｎｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｍｅｔｈｏｄ　ＮＥＴＦＬＯＷ　Ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ 属性选择算法可以提高分类结果的正确率，并且采用基于ＮＥＴ ０　引　言 ＦＬＯＷ固有流记录和扩展流记录