基于机器学习的网络流量分类算法分析研究
基于应用的流量分类在网络安全和管理中具有非常重要的作用.传统流量分类大部分是基于端口的预测方法和基于有效载荷的深度检测方法.由于当前网络环境中各种隐私问题以及基于动态端口和加密的应用,传统的网络流量分类策略的有效性已经逐步下降,目前主要集中在基于机器学习技术的流量分类模型进行研究.本文对各种基于机器学习算法的流量分类的比较,如贝叶斯网络(Bayes Net)、朴素贝叶斯(Naive Bayes)、基于RBF的SVM流量分类和基于遗传算法的SVM (GaSVM)流量分类等.这些算法分别使用了全特征选择和优化后的特征集合,实验结果表明基于遗传算法的SVM流量分类精度较高,并在使用主成分特征也可以达到很高的精度.
贝叶斯网络、朴素贝叶斯、机器学习、遗传算法、SVM、GaSVM
24
TP393(计算技术、计算机技术)
国家科技支撑计划重大项目2012BAH38F00
2017-05-22(万方平台首次上网日期,不代表论文的发表时间)
共6页
9-14