DPCS2017+41+非平衡网络流量识别方法研究

• •

DPCS2017+41+非平衡网络流量识别方法研究

燕昺昊¹,韩国栋²,黄雅静¹,王孝龙¹

1. 国家数字交换系统工程技术研究中心
2. 国家数字交换系统工程技术研究中心，郑州 450002

收稿日期:2017-07-24 修回日期:2017-07-28 发布日期:2017-07-28
通讯作者: 燕昺昊

DPCS2017+41+A Novel traffic Classification Method Based on Imbalanced Data

Received:2017-07-24 Revised:2017-07-28 Online:2017-07-28
Contact: Bing-Hao YAN

摘要/Abstract

摘要： 摘要: 针对网络中存在的P2P(Peer-to-Peer)流量泛滥导致的流量失衡问题，将非平衡数据分类思想应用于流量识别过程。通过引入Synthetic Minority Over-sampling TEchnique (SMOTE)算法并进行改进，提出了均值SMOTE算法(M-SMOTE),实现对流量数据的平衡化处理。在此基础上分别采用三种机器学习分类器：随机森林(Random Forest，RF)，支持向量机(Support Vector Machine，SVM)，BP神经网络(Back Propagation Neural Network)对处理后各类流量进行识别。实验结果表明，在不影响P2P流量识别准确率的前提下，M-SMOTE算法将非P2P流量的识别准确率平均提高了19.8%，同时将网络流量的整体识别率提高了12.1%，解决了P2P流量过多导致的非P2P流量识别率低的问题。

关键词: 关键词: 非平衡数据, 流量识别, 机器学习, SMOTE算法

Abstract: Abstract: In order to solve the problem exist in traffic classification that P2P traffic much more than nonP2P , a novel traffic classification method on imbalanced data was presented. In dealing with imbalanced traffic in this paper a new method named Mean Synthetic Minority Over-sampling Technique (M-SMOTE) was applied to the traffic classification. Then three classifiers include Random Forest (RF), Support Vector Machine (SVM), Back Propagation Neural Network (BPNN) were used to test the accuracy of the M-SMOTE’s results. Experimental results show that with the M-SMOTE, the accuracy of the nonP2P class has been improved by 19.8% and the accuracy of the all imbalanced data has been improved by 12.1%.

Key words: Keywords: imbalanced data, traffic classification, machine learning, Synthetic Minority Over-sampling Technique(SMOTE)

中图分类号:

TP393

燕昺昊韩国栋黄雅静王孝龙. DPCS2017+41+非平衡网络流量识别方法研究[J]. 计算机应用.

[1]	郑毅, 廖存燚, 张天倩, 王骥, 刘守印. 面向城区的基于图去噪的小区级RSRP估计方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 855-862.
[2]	佘维, 李阳, 钟李红, 孔德锋, 田钊. 基于改进实数编码遗传算法的神经网络超参数优化[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 671-676.
[3]	崔昊阳, 张晖, 周雷, 杨春明, 李波, 赵旭剑. 有序规范实数对多相似度K最近邻分类算法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2673-2678.
[4]	钟静, 林晨, 盛志伟, 张仕斌. 基于汉明距离的量子K-Means算法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2493-2498.
[5]	蓝梦婕, 蔡剑平, 孙岚. 非独立同分布数据下的自正则化联邦学习优化方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2073-2081.
[6]	黄晓辉, 杨凯铭, 凌嘉壕. 基于共享注意力的多智能体强化学习订单派送[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1620-1624.
[7]	郝劭辰, 卫孜钻, 马垚, 于丹, 陈永乐. 基于高效联邦学习算法的网络入侵检测模型[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1169-1175.
[8]	孙晓飞, 朱静远, 陈斌, 游恒志. 融合多模态数据的药物合成反应的虚拟筛选[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 622-629.
[9]	张军鹏, 施玉杰, 蒋睿, 董静静, 邱昌建. 基于脑电信号的认知功能障碍识别与分类进展综述[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3297-3308.
[10]	李洪亮, 张弄, 孙婷, 李想. 分布式机器学习作业性能干扰分析与预测[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1649-1655.
[11]	包永春, 张建臣, 杜守信, 张军军. 基于非负矩阵分解与稀疏表示的多标签分类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1375-1382.
[12]	李晓寒, 贾华丁, 程雪, 李太勇. 基于改进遗传算法和图神经网络的股市波动预测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1624-1633.
[13]	陈浩杰, 范江亭, 刘勇. 深度强化学习解决动态旅行商问题[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1194-1200.
[14]	王颖洁, 朱久祺, 汪祖民, 白凤波, 弓箭. 自然语言处理在文本情感分析领域应用综述[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1011-1020.
[15]	许仁杰, 刘宝弟, 张凯, 刘伟锋. 基于贝叶斯权函数的模型无关元学习算法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 708-712.