一种新的网络流量分类方法

一种新的网络流量分类方法

1多层前馈神经网络为了更好地管理互联网业务，优化网络质量，了解实时网络流量的分布，防止和制止网络攻击，有必要对网络业务进行分类和方法。在过去的研究中,基于主机、网络、应用层支持向量机方法(SVM)贝叶斯增广朴素贝叶斯方法(BAN)解决了在估计后验概率上朴素贝叶斯方法存在的缺点,文献式(1)中,Parents(ARumelhart等人在人工神经网络领域中获得了重大突破,提出了能够解决非线性问题的误差反向传播的多层前馈神经网络,即BP方法2集成学习分类方法根据文献选择准确率高和差异性大的分类器用于集成学习,能够很好地提高集成后分类器的性能。SVM、BAN和BP神经网络这3种方法的分类准确率都较高,并且它们之间的差异性较大,很好地满足了集成学习的条件。因此,结合SVM,BAN,BP神经网络3种方法的不同优点,通过对3种分类器实行加权平均组合权重的方式,提出一种多分类器联合的集成学习网络流量分类方法。算法描述如下:①由训练集构建SVM,BAN,BP神经网络3种分类器。②计算流强度,获取验证集。流强度计算采用皮尔逊相关系数。设有流向量F式(2)中,m为流属性样本量;r为流的强弱程度;使用式(2),获取相关性最强的K个网络流构成验证集。③使用验证集,计算各分类器的权重。由第②步得到了验证集,分别计算SVM,BAN,BP神经网络3种方法的权重,计算公式如下:式(3)中,W④加权平均,得到测试实例属于某种类型的后验概率。经过第③步的计算,高权重的分类方法在加权平均计算后,能够显著的对后验概率起正向作用。⑤选取后验概率最大类型作为判定结果。加权平均后能够获得当前测试实例的所属类型,进而得到最后结果。3结果与分析3.1实验数据为了对比及分析,使用文献3.2分类模型性能实验使用的网络流量分析工具主要是Weka-3.5.6和Libsvm2.83。分类模型的分类性能,采用整体总体准确率OA标准来衡量。具体形式如公式(4)所描述:其中,S3.3基于libsvm的分类方法在正性学习中的应用为了比较分析准确率,先将DS数据集分为2个数据子集,DS_1数据集和DS_2数据集;再从数据集DS_1中依次抽出各类应用的0.1%,作为样本训练集;然后,在DS_1数据集构成的训练集上依次运行SVM,BAN,BP神经网络和集成方法,其中,支持向量机参照台湾大学林智仁(LinChih-Jen)教授等开发设计Libsvm的使用说明,BAN采用K2结构学习方法,BP神经网络方法采用3层结构。在实验中,集成方法的k值取训练集中流数量的30%;最后,在数据集DS_2上进行验证。紧接着,把训练集的范围依次增加到DS_1数据集的1%,10%,50%,然后重复这个过程,分别进行10次实验。取均值后,分类的总体准确率如图1所示。在各种流类型上进一步比较分类总体准确率,结果如表3所示。由图1和表3能够看出,随着训练集大小的提高,分类总体准确率也随之提高。其中,对于贝叶斯增广朴素贝叶斯方法来说,随着训练集的提高,分类准确率稳步上升;在样本空间比较小时,支持向量机表现出色;而BP神经网络收敛时间较长。集成学习方法联合SVM,BAN,BP神经网络这3种方法,运用集成学习的思想,使用加权组合权重的方式来实现网络流量的分类,其总体准确率优于单一的机器学习方法。3.4分类方法在训练集和测试集上的运行情况为了对比时间消耗,将DS数据集重新统计后,抽取其中的30%数据作为训练集,其余作为测试集。依次运行4种方法,得到分类方法的