10.3969/j.issn.1673-4785.201603033
在线学习的大规模网络流量分类研究
传统的批处理机器学习方法在面对大规模网络流量分类问题时存在分类器训练速度慢、计算复杂度高的缺陷。近年来迅速发展的在线学习方法是解决大规模问题的有效途径。本文针对高速骨干网上的大规模网络流量分类问题,提出了一个基于在线学习的分类框架,并应用了8种在线学习算法。在真实数据集上的实验表明,在分类精度相当的情况下,在线学习算法与支持向量机( SVM)相比空间开销小、模型训练时间显著缩短。同时,为了考察网络流量中样本顺序对分类效果的影响,本文对比了样本按时序处理与随机处理两种方式的差异,验证了网络流量样本存在着时序上的相关性。
在线学习、大规模、网络流量分类、时序相关性、数据流、随机优化
11
TP181(自动化基础理论)
国家自然科学基金项目61473149.
2016-06-22(万方平台首次上网日期,不代表论文的发表时间)
共10页
318-327