一種新的網絡流量分類方法

1多層前饋神經網絡為了更好地管理互聯網業務，優化網絡質量，了解實時網絡流量的分布，防止和制止網絡攻擊，有必要對網絡業務進行分類和方法。在過去的研究中,基于主機、網絡、應用層支持向量機方法(SVM)貝葉斯增廣樸素貝葉斯方法(BAN)解決了在估計后驗概率上樸素貝葉斯方法存在的缺點,文獻式(1)中,Parents(ARumelhart等人在人工神經網絡領域中獲得了重大突破,提出了能夠解決非線性問題的誤差反向傳播的多層前饋神經網絡,即BP方法2集成學習分類方法根據文獻選擇準確率高和差異性大的分類器用于集成學習,能夠很好地提高集成后分類器的性能。SVM、BAN和BP神經網絡這3種方法的分類準確率都較高,并且它們之間的差異性較大,很好地滿足了集成學習的條件。因此,結合SVM,BAN,BP神經網絡3種方法的不同優點,通過對3種分類器實行加權平均組合權重的方式,提出一種多分類器聯合的集成學習網絡流量分類方法。算法描述如下:①由訓練集構建SVM,BAN,BP神經網絡3種分類器。②計算流強度,獲取驗證集。流強度計算采用皮爾遜相關系數。設有流向量F式(2)中,m為流屬性樣本量;r為流的強弱程度;使用式(2),獲取相關性最強的K個網絡流構成驗證集。③使用驗證集,計算各分類器的權重。由第②步得到了驗證集,分別計算SVM,BAN,BP神經網絡3種方法的權重,計算公式如下:式(3)中,W④加權平均,得到測試實例屬于某種類型的后驗概率。經過第③步的計算,高權重的分類方法在加權平均計算后,能夠顯著的對后驗概率起正向作用。⑤選取后驗概率最大類型作為判定結果。加權平均后能夠獲得當前測試實例的所屬類型,進而得到最后結果。3結果與分析3.1實驗數據為了對比及分析,使用文獻3.2分類模型性能實驗使用的網絡流量分析工具主要是Weka-3.5.6和Libsvm2.83。分類模型的分類性能,采用整體總體準確率OA標準來衡量。具體形式如公式(4)所描述:其中,S3.3基于libsvm的分類方法在正性學習中的應用為了比較分析準確率,先將DS數據集分為2個數據子集,DS_1數據集和DS_2數據集;再從數據集DS_1中依次抽出各類應用的0.1%,作為樣本訓練集;然后,在DS_1數據集構成的訓練集上依次運行SVM,BAN,BP神經網絡和集成方法,其中,支持向量機參照臺灣大學林智仁(LinChih-Jen)教授等開發設計Libsvm的使用說明,BAN采用K2結構學習方法,BP神經網絡方法采用3層結構。在實驗中,集成方法的k值取訓練集中流數量的30%;最后,在數據集DS_2上進行驗證。緊接著,把訓練集的范圍依次增加到DS_1數據集的1%,10%,50%,然后重復這個過程,分別進行10次實驗。取均值后,分類的總體準確率如圖1所示。在各種流類型上進一步比較分類總體準確率,結果如表3所示。由圖1和表3能夠看出,隨著訓練集大小的提高,分類總體準確率也隨之提高。其中,對于貝葉斯增廣樸素貝葉斯方法來說,隨著訓練集的提高,分類準確率穩步上升;在樣本空間比較小時,支持向量機表現出色;而BP神經網絡收斂時間較長。集成學習方法聯合SVM,BAN,BP神經網絡這3種方法,運用集成學習的思想,使用加權組合權重的方式來實現網絡流量的分類,其總體準確率優于單一的機器學習方法。3.4分類方法在訓練集和測試集上的運行情況為了對比時間消耗,將DS數據集重新統計后,抽取其中的30%數據作為訓練集,其余作為測試集。依次運行4種方法,得到分類方法的