使用自组织增量径向基网络的在线网络流量分类算法
针对传统流量分类方法存在模型训练速度慢、样本标记成本高和难以满足分类实时性的问题,构建了一种在线的半监督流量分类算法——OSOINN-RBF.首先使用改进的自组织增量神经网络对数据进行在线增量式的无监督学习,获得代表流量数据分布的SOINN网络,SOINN中节点的权重和半径分别作为径向基网络隐藏层节点的中心和半径;径向基网络能够捕获数据中难以发现的规律性,具有良好的泛化能力和学习收敛速度;最后使用少部分标记样本调节径向基网络输出层的权重,提高径向基网络的分类性能.实验结果证明,与主流分类算法相比,OSOINN-RBF算法的分类性能都为最优,具有最小的时间开销;面对未知流量类别时,OSOINN-RBF算法相比SOINN 算法的分类准确率提高了5% ~ 7% .
流量分类、半监督学习、径向基函数、神经网络
54
TP393(计算技术、计算机技术)
国家自然科学基金资助项目61703427
2020-12-30(万方平台首次上网日期,不代表论文的发表时间)
共9页
62-69,78