基于快速SVM的大规模网络流量分类方法

摘要：

支持向量机方法具有良好的分类准确率、稳定性与泛化性,在网络流量分类领域已有初步应用,但在面对大规模网络流量分类问题时却存在计算复杂度高、分类器训练速度慢的缺陷.为此,提出一种基于比特压缩的快速SVM方法,利用比特压缩算法对初始训练样本集进行聚合与压缩,建立具有权重信息的新样本集,在损失尽量少原始样本信息的前提下缩减样本集规模,进一步利用基于权重的SVM算法训练流量分类器.通过大规模样本集流量分类实验对比,快速SVM方法能在损失较少分类准确率的情况下,较大程度地缩减流量分类器的训练时间以及未知样本的预测时间,同时,在无过度压缩前提下,其分类准确率优于同等压缩比例下的随机取样SVM方法.本方法在保留SVM方法较好分类稳定性与泛化性能的同时,有效提升了其应对大规模流量分类问题的能力.

关键词：支持向量机、大规模流量分类、比特压缩、权重SVM、分类器、分类准确率

所属期刊栏目：29

分类号：TP393(计算技术、计算机技术)

资助基金：国家自然科学基金一广东省联合基金重点资助项目U0935002;广东省重大科技专项资助项目2009A080207008;广州市科技计划资助项目2010Z1-D00061;广东省高校优秀青年创新人才培养计划资助项目LYM11057

在线出版日期：2012-08-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：2301-2305