计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2014年
11期
3206-3209
,共4页
林荣强%李鸥%李青%李林林
林榮彊%李鷗%李青%李林林
림영강%리구%리청%리림림
网络流量%半监督%特征选择%类标记扩展%K-means聚类
網絡流量%半鑑督%特徵選擇%類標記擴展%K-means聚類
망락류량%반감독%특정선택%류표기확전%K-means취류
network traffic%semi-supervised%feature selection%label extension%K-means clustering
针对网络流量特征选择过程中存在的样本标记瓶颈问题,以及现有半监督方法无法选择强相关的特征的不足,提出一种基于类标记扩展的多类半监督特征选择(SFSEL)算法.该算法首先从少量的标记样本出发,通过K-means算法对未标记样本进行类标记扩展;然后结合基于双重正则的支持向量机(MDrSVM)算法实现多类数据的特征选择.与半监督特征选择算法Spectral、PCFRSC和SEFR在Moore数据集进行了对比实验,SFSEL得到的分类准确率和召回率明显都要高于其他算法,而且SFSEL算法选择的特征个数明显少于其他算法.实验结果表明:SFSEL算法能够有效地提高所选特征的相关性,获取更好的网络流量分类性能.
針對網絡流量特徵選擇過程中存在的樣本標記瓶頸問題,以及現有半鑑督方法無法選擇彊相關的特徵的不足,提齣一種基于類標記擴展的多類半鑑督特徵選擇(SFSEL)算法.該算法首先從少量的標記樣本齣髮,通過K-means算法對未標記樣本進行類標記擴展;然後結閤基于雙重正則的支持嚮量機(MDrSVM)算法實現多類數據的特徵選擇.與半鑑督特徵選擇算法Spectral、PCFRSC和SEFR在Moore數據集進行瞭對比實驗,SFSEL得到的分類準確率和召迴率明顯都要高于其他算法,而且SFSEL算法選擇的特徵箇數明顯少于其他算法.實驗結果錶明:SFSEL算法能夠有效地提高所選特徵的相關性,穫取更好的網絡流量分類性能.
침대망락류량특정선택과정중존재적양본표기병경문제,이급현유반감독방법무법선택강상관적특정적불족,제출일충기우류표기확전적다류반감독특정선택(SFSEL)산법.해산법수선종소량적표기양본출발,통과K-means산법대미표기양본진행류표기확전;연후결합기우쌍중정칙적지지향량궤(MDrSVM)산법실현다류수거적특정선택.여반감독특정선택산법Spectral、PCFRSC화SEFR재Moore수거집진행료대비실험,SFSEL득도적분류준학솔화소회솔명현도요고우기타산법,이차SFSEL산법선택적특정개수명현소우기타산법.실험결과표명:SFSEL산법능구유효지제고소선특정적상관성,획취경호적망락류량분류성능.
