基于信息熵的自适应网络流概念漂移分类方法

• 作者: 潘吴斌 程光 郭晓军 黄顺翔
• 来源期刊: 计算机学报
• 学科: 工学
• 关键词: 概念漂移 机器学习 信息熵检测 增量集成学习 流量分类
• 年，卷（期）: 2017,（7）
• 页码范围: 1556-1571
• 页数: 16页
• 分类号: TP393
• 字数: 11776字
• 语种: 中文
• DOI: 10.11897/SP.J.1016.2017.01556

摘要

由于网络流量特征随时间和网络环境的变化而发生改变,导致基于机器学习的流量分类方法精度明显降低.同时,根据经验定期更新分类器是耗时的,且难以保证新分类器泛化性能.因而,文中提出一种基于信息熵的自适应网络流概念漂移分类方法,首先根据特征属性的信息熵变化检测概念漂移,再采用增量集成学习策略在概念漂移点引入当前流量建立的分类器,并剔除性能下降的分类器,达到更新分类器的目的,最后加权集成分类结果.实验结果表明该方法可以有效地检测概念漂移并更新分类器,表现出较好的分类性能和泛化能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郭晓军	东南大学计算机科学与工程学院	10	76	4.0	8.0
2	潘吴斌	东南大学计算机科学与工程学院	4	62	3.0	4.0