具有显著提高准确率和鲁棒性的基于极限学习机的流量分类

摘要

流量分类是网络管理员进行网络流量监控从而实现有效管理的重要手段。因此,准确地对流量进行分类具有重要意义。流量分类的两个重要评判标准是分类器的准确率和效率。本文提出了一种准确率高、鲁棒性强的流量分类方案,该方案第一次将最近几年提出的一种新的机器学习算法-极限学习机引入网络流量分类领域进行研究并进行针对性优化。同时也提出了一种自动生成流量分类器训练集的方案,使该系统对新的网络应用具有更强的自适应性和扩展性。本文使用VoIP和WWW流量作为流量分类的两个类别。实验结果表明该方案相比其他文献提出的C4.5,RandomForest,NaiveBayes和KNN具有更高的准确率、稳定性和鲁棒性。其中当测试数据集在训练数据集后当天收集时,本文分类器具有93%的高准确率,其他算法具有类似的准确率;当测试数据集在训练数据集后1月和2月收集时,本文分类器仍保持85%的高准确率,而其它算法的准确率只有大概60%左右,具有较大偏差无法应用到实际的流量分类系统中。实验结果表明,提出的流量分类方案具有准确率高,鲁棒性和扩展性强,可应用到流量分类实践中。