一种基于机器学习的网络流早期分类方法

摘要：

流早期分类对于优化网络管理和确保服务质量(Quality of Service,QoS)至关重要.针对传统流特征在流早期分类中性能较低的问题,在现有研究基础上,提出了两种新的特征:一是通过等距分箱划分包大小等级,计算相邻到达的两个数据包的包大小等级条件频度;二是通过将包大小序列和包到达时间间隔对应相除,得到速率序列,并计算该序列的统计特征作为分类特征.同时,考虑到早期分类的实时性要求,分析了流特征计算的时间复杂性,在特征选择中优化了时间和准确性之间的平衡.另外,针对网络视频流量占比较大的情况,提出了一种层级分类结构;先使用较少的数据包进行non-video/video的二分类,再使用后续的数据包,进行non-videos和videos的细粒度分类.采用随机森林在两个实际网络数据集上进行分类性能测试,并与文献方法进行比较,验证了该方法在快速流量分类中的优越性.

关键词：流早期分类、特征选择、条件频度、层级结构

所属期刊栏目：42

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61271233

在线出版日期：2022-10-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：96-104