文献类型：期刊文章

作　　者：戴瑾[1,2] 王天宇[2,3] 王少尉[2]

DAI Jin;WANG Tianyu;WANG Shaowei(School of Information Science and Engineering, Jinling College, Nanjing University, Nanjing 210089, China;School of Electronic Science and Engineering, Nanjing University, Nanjing 210023, China;National Mobile Communications Research Laboratory, Southeast University, Nanjing 210096, China)

机构地区：[1]南京大学金陵学院信息科学与工程学院,江苏南京210089 [2]南京大学电子科学与工程学院,江苏南京210023 [3]东南大学国家移动通信研究实验室,江苏南京210096

出　　处：《国防科技大学学报》

基　　金：国家自然科学基金资助项目(61801208,61671233,61931023,U1936202)。

年　　份：2020

卷　　号：42

期　　号：4

起止页码：30-34

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：随着网络应用的迅猛发展,流量分类在网络资源分配、流量调度和网络安全等诸多研究领域受到广泛关注。现有的机器学习流量分类方法对流量数据特征的选取和分布要求苛刻,导致在实际应用中的复杂流量场景下分类精确度和稳定度难以提高。为了解决样本特征属性的复杂性给分类性能带来的不利影响,引入了基于深度森林的流量分类方法。该算法通过级联森林和多粒度扫描机制,能够在样本数量规模和特征属性选取规模有限的情况下,有效地提高流量整体分类性能。通过网络流量公开数据集Moore对支持向量机、随机森林和深度森林机器学习算法进行训练和测试,结果表明基于深度森林的网络流量分类器的分类准确率能够达到96.36%,性能优于其他机器学习模型。

关 键 词：特征选取 多粒度级联森林  机器学习  网络流量分类

分 类 号：TN95]