文献类型：期刊文章

作　　者：周丁丁[1] 崔永锋[2] 董仕[3,4]

机构地区：[1]周口师范学院实验室与设备管理处,周口466001 [2]周口师范学院网络管理中心,周口466001 [3]周口师范学院计算机科学与技术学院,南京466001 [4]东南大学计算机科学与工程学院,南京211189

出　　处：《系统仿真学报》

基　　金：国家973计划(2009CB320505);国家科技支撑计划(2008BAH37B04)

年　　份：2013

卷　　号：25

期　　号：11

起止页码：2597-2603

语　　种：中文

收录情况：BDHX、BDHX2011、CAS、CSCD、CSCD2013_2014、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：准确的网络流量分类是一系列网络管理活动的重要基础。近年来,利用机器学习的原理处理流量分类问题成为网络测量领域的研究热点,其中朴素贝叶斯方法因分类速度快,实现简单等优点而被广泛应用,但随着网络流量的变化和网络类别的增加,该方法的分类准确性和鲁棒性随着时间增长而逐渐降低,引入了一种新的流量分类模型更新方法,通过对模型的更新训练提升其分类性能,并保证模型应用的稳定性。理论分析和实验结果都表明:该方法能够使流量分类模型随着时间的增长而保持良好的总体性能,且不易受报文抽样的影响,能为其他诸多网络活动提供相应的支持。

关 键 词：流量分类  朴素贝叶斯 统计特征 报文抽样

分 类 号：TP393.07]