在线学习的大规模网络流量分类研究

• 作者: 任会峰 易磊 潘志松 薛胶 邱俊洋
• 来源期刊: 智能系统学报
• 学科: 工学
• 关键词: 在线学习 大规模 网络流量分类 时序相关性 数据流 随机优化
• 年，卷（期）: 2016,（3）
• 页码范围: 318-327
• 页数: 10页
• 分类号: TP181
• 字数: 7470字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-4785.201603033

摘要

传统的批处理机器学习方法在面对大规模网络流量分类问题时存在分类器训练速度慢、计算复杂度高的缺陷。近年来迅速发展的在线学习方法是解决大规模问题的有效途径。本文针对高速骨干网上的大规模网络流量分类问题，提出了一个基于在线学习的分类框架，并应用了8种在线学习算法。在真实数据集上的实验表明，在分类精度相当的情况下，在线学习算法与支持向量机（ SVM）相比空间开销小、模型训练时间显著缩短。同时，为了考察网络流量中样本顺序对分类效果的影响，本文对比了样本按时序处理与随机处理两种方式的差异，验证了网络流量样本存在着时序上的相关性。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	潘志松	中国人民解放军理工大学指挥信息系统学院	13	32	4.0	5.0
2	邱俊洋	中国人民解放军理工大学指挥信息系统学院	2	5	1.0	2.0
3	易磊	中国人民解放军理工大学指挥信息系统学院	3	5	1.0	2.0
4	薛胶	中国人民解放军理工大学指挥信息系统学院	1	4	1.0	1.0
5	任会峰	中国人民解放军理工大学指挥信息系统学院	1	4	1.0	1.0