文献类型：期刊文章

作　　者：韦海宇[1] 王勇[1,2,3,4] 柯文龙[2] 俸皓[3,4]

WEI Haiyu;WANG Yong;KE Wenlong;FENG Hao(School of Computer Science and Information Security,Guilin University of Electronic Technology,Guilin,Guangxi 541004,China;School of Information and Communication,Guilin University of Electronic Technology,Guilin,Guangxi 541004,China;Guangxi Colleges and Universities Key Laboratory of Cloud Computing and Complex Systems;Guilin University of Electronic Technology,Guilin,Guangxi 541004,China);Guangxi Key Laboratory of Trusted Software,Guilin University of Electronic Technology,Guilin,Guangxi 541004,China)

机构地区：[1]桂林电子科技大学计算机与信息安全学院,广西桂林541004 [2]桂林电子科技大学信息与通信学院,广西桂林541004 [3]桂林电子科技大学广西高校云计算与复杂系统重点实验室,广西桂林541004 [4]桂林电子科技大学广西可信软件重点实验室,广西桂林541004

出　　处：《计算机工程》

基　　金：国家自然科学基金(61662018;61163058);广西自然科学基金(2016GXNSFAA380153);广西高校云计算与复杂系统重点实验室研究课题(14103;15208);广西云计算与大数据协同创新中心研究课题(YD16303)

年　　份：2018

卷　　号：44

期　　号：11

起止页码：33-39

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD_E2017_2018、IC、INSPEC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：为更有效地识别网络流量中少量的异常流量样本,提出一种基于改进极端随机树的异常流量分类方法。计算数据中每个特征的信息增益率,获得较低维度的特征集。在此基础上,使用随机训练方法训练分类模型,对一部分基分类器使用全部样本进行训练,对另一部分则使用经过重采样的数据进行训练,并使用加权统计的方法修改其最后的投票规则。实验结果表明,该方法在NSL-KDD数据集上可达到0. 995 6的精确率,与ET和RF集成分类算法相比,其在数据样本较少的类别上分类效果更好。

关 键 词：异常网络流量  流量分类  特征选择  随机训练  极端随机树  

分 类 号：TP391]