电子测量与仪器学报
電子測量與儀器學報
전자측량여의기학보
JOURNAL OF ELECTRONIC MEASUREMENT AND INSTRUMENT
2014年
4期
381-386
,共6页
周文刚%陈雷霆%Lubomir Bic%董仕
週文剛%陳雷霆%Lubomir Bic%董仕
주문강%진뢰정%Lubomir Bic%동사
网络流量%半监督学习%分类识别%聚类中心点
網絡流量%半鑑督學習%分類識彆%聚類中心點
망락류량%반감독학습%분류식별%취류중심점
network traffic%semi-supervised learning%traffic classification%clustering center
近年来,许多机器学习的方法被广泛应用于网络流量分类识别的问题中,结合有监督学习与无监督学习的特点,提出一种基于半监督学习的流量分类识别方法,该方法改进K均值聚类算法中初始簇中心的选取,通过基于密度因子的相似性函数来满足聚类数据的全局一致性要求以获取更适合的初始簇中心,并通过最大似然估计方法标记聚类结果实现与相关应用类型或协议的对应匹配过程,实验结果表明,该算法提升了网络流量分类识别结果的准确性和分类识别效率,能够有效满足流量分类识别的应用需求.
近年來,許多機器學習的方法被廣汎應用于網絡流量分類識彆的問題中,結閤有鑑督學習與無鑑督學習的特點,提齣一種基于半鑑督學習的流量分類識彆方法,該方法改進K均值聚類算法中初始簇中心的選取,通過基于密度因子的相似性函數來滿足聚類數據的全跼一緻性要求以穫取更適閤的初始簇中心,併通過最大似然估計方法標記聚類結果實現與相關應用類型或協議的對應匹配過程,實驗結果錶明,該算法提升瞭網絡流量分類識彆結果的準確性和分類識彆效率,能夠有效滿足流量分類識彆的應用需求.
근년래,허다궤기학습적방법피엄범응용우망락류량분류식별적문제중,결합유감독학습여무감독학습적특점,제출일충기우반감독학습적류량분류식별방법,해방법개진K균치취류산법중초시족중심적선취,통과기우밀도인자적상사성함수래만족취류수거적전국일치성요구이획취경괄합적초시족중심,병통과최대사연고계방법표기취류결과실현여상관응용류형혹협의적대응필배과정,실험결과표명,해산법제승료망락류량분류식별결과적준학성화분류식별효솔,능구유효만족류량분류식별적응용수구.
