计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2013年
6期
1515-1518
,共4页
网络流量分类%支持向量机%半监督%增量学习%协同训练
網絡流量分類%支持嚮量機%半鑑督%增量學習%協同訓練
망락류량분류%지지향량궤%반감독%증량학습%협동훈련
针对传统网络流量分类方法准确率低、开销大、应用范围受限等问题,提出一种支持向量机(SVM)的半监督网络流量分类方法.该方法在SVM训练中,使用增量学习技术在初始和新增样本集中动态地确定支持向量,避免不必要的重复训练,改善因出现新样本而造成原分类器分类精度降低、分类时间长的情况；改进半监督Tri-training方法对分类器进行协同训练,同时使用大量未标记和少量已标记样本对分类器进行反复修正,减少辅助分类器的噪声数据,克服传统协同验证对分类算法及样本类型要求苛刻的不足.实验结果表明,该方法可明显提高网络流量分类的准确率和效率.
針對傳統網絡流量分類方法準確率低、開銷大、應用範圍受限等問題,提齣一種支持嚮量機(SVM)的半鑑督網絡流量分類方法.該方法在SVM訓練中,使用增量學習技術在初始和新增樣本集中動態地確定支持嚮量,避免不必要的重複訓練,改善因齣現新樣本而造成原分類器分類精度降低、分類時間長的情況；改進半鑑督Tri-training方法對分類器進行協同訓練,同時使用大量未標記和少量已標記樣本對分類器進行反複脩正,減少輔助分類器的譟聲數據,剋服傳統協同驗證對分類算法及樣本類型要求苛刻的不足.實驗結果錶明,該方法可明顯提高網絡流量分類的準確率和效率.
침대전통망락류량분류방법준학솔저、개소대、응용범위수한등문제,제출일충지지향량궤(SVM)적반감독망락류량분류방법.해방법재SVM훈련중,사용증량학습기술재초시화신증양본집중동태지학정지지향량,피면불필요적중복훈련,개선인출현신양본이조성원분류기분류정도강저、분류시간장적정황；개진반감독Tri-training방법대분류기진행협동훈련,동시사용대량미표기화소량이표기양본대분류기진행반복수정,감소보조분류기적조성수거,극복전통협동험증대분류산법급양본류형요구가각적불족.실험결과표명,해방법가명현제고망락류량분류적준학솔화효솔.
