针对不平衡网络流量分类精度不高的问题,在旋转森林算法的基础上结合Bagging算法的Bootstrap抽样和基于分类精度排序的基分类器选择算法,提出一种改进的旋转森林算法。首先,对原始训练集按特征进行子集划分并分别使用Bagging进行样本抽样,通过主成分分析(PCA)生成主成分系数矩阵;然后,在原始训练集和主成分系数矩阵的基础上进行特征转换,生成新的训练子集,再次使用Bagging对子集进行抽样,提升训练集的差异性,并使用训练子集训练C4.5基分类器;最后,使用测试集评价基分类器,依据总体分类精度进行排序筛选,保留分类精度较高的分类器并生成一致分类结果。在不平衡网络流量数据集上进行测试实验,依据准确率和召回率两个标准对C4.5、Bagging、旋转森林和改进的旋转森林四种算法评价,依据模型训练时间和测试时间评价四种算法的时间效率。实验结果表明改进的旋转森林算法对万维网(WWW)协议、Mail协议、Attack协议、对等网(P2P)协议的分类准确度达到99.5%以上,召回率也高于旋转森林、Bagging、C4.5三种算法,可用于网络入侵取证、维护网络安全、提升网络服务质量。

OpenFlow的出现提高了现有网络的服务质量(QoS)，但在处理海量数据时存在网络会话识别效率低、网络报文转发路径不佳等缺点。在OpenFlow的研究基础上，提出了海量网络数据处理(GOMDI)模型，通过将GPU并行计算、生物序列算法和机器学习方法相融合，设计出GOMDI网络会话匹配算法和路径选择算法。实验结果表明，GOMDI网络会话匹配算法与CPU环境相比加速比提升了近300；路径选择算法中网络丢包率低于5%，网络延时小于20ms。因此，GOMDI模型可有效地提升网络性能，满足大数据环境下实时处理海量信息的需求。

针对互联网流量标注困难以及单个聚类器的泛化能力较弱，提出一种基于互信息(MI)理论的选择聚类集成方法，以提高流量分类的精度。首先计算不同初始簇个数K的K均值聚类结果与训练集中流量协议的真实分布之间的规范化互信息(NMI)；然后基于NMI的值来选择用于聚类集成的K均值基聚类器的K值序列；最后采用二次互信息(QMI)的一致函数生成一致聚类结果,并使用一种半监督方法对聚类簇进行标注。通过实验比较了聚类集成方法与单个聚类算法在4个不同测试集上总体分类精度。实验结果表明，聚类集成方法的流量分类总体精度能达到90%。所提方法将聚类集成模型应用到网络流量分类中，提高了流量分类的精度和在不同数据集上的分类稳定性。