基于类标记扩展的半监督网络流量特征选择算法

doi:10.11772/j.issn.1001-9081.2014.11.3206

计算机应用 ›› 2014, Vol. 34 ›› Issue (11): 3206-3209.DOI: 10.11772/j.issn.1001-9081.2014.11.3206

基于类标记扩展的半监督网络流量特征选择算法

林荣强¹,李青¹,李鸥²,李林林¹

1. 解放军信息工程大学
2. 解放军信息工程大学信息工程学院

收稿日期:2014-06-10 修回日期:2014-07-26 发布日期:2014-12-01 出版日期:2014-11-01
通讯作者: 林荣强
作者简介:林荣强(1990-),男,福建漳州人,硕士研究生,主要研究方向:计算机通信、网络安全;李鸥(1962-),男,河南郑州人,教授,博士, 主要研究方向:无线认知网络、传感器自组织网络、通信网络安全;李青(1976-),女,河北正定人,副教授,博士,主要研究方向:通信网络安全、可见光通信;李林林(1989-),男,河北定州人,硕士研究生,主要研究方向:计算机通信与网络安全。
基金资助:
国家安全重大基础研究项目

Semi-supervised network traffic feature selection algorithm based on label extension

LIN Rongqiang,LI Qing,LI Ou,LI Linlin

Information System Engineering Institute, Information Engineering University, Zhengzhou Henan 450001, China

Received:2014-06-10 Revised:2014-07-26 Online:2014-12-01 Published:2014-11-01
Contact: LIN Rongqiang

摘要/Abstract

摘要：

针对网络流量特征选择过程中存在的样本标记瓶颈问题,以及现有半监督方法无法选择强相关的特征的不足,提出一种基于类标记扩展的多类半监督特征选择(SFSEL)算法。该算法首先从少量的标记样本出发,通过K-means算法对未标记样本进行类标记扩展;然后结合基于双重正则的支持向量机(MDrSVM)算法实现多类数据的特征选择。与半监督特征选择算法Spectral、PCFRSC和SEFR在Moore数据集进行了对比实验,SFSEL得到的分类准确率和召回率明显都要高于其他算法,而且SFSEL算法选择的特征个数明显少于其他算法。实验结果表明: SFSEL算法能够有效地提高所选特征的相关性,获取更好的网络流量分类性能。

Abstract:

Aiming at the problem of sample labeling in network traffic feature selection, and the deficiency of traditional semi-supervised methods which can not select a strong correlation feature set, a Semi-supervised Feature Selection based on Extension of Label (SFSEL) algorithm was proposed. The model started from a small number of labeled samples, and the labels of unlabeled samples were extended by K-means algorithm, then MDrSVM (Multi-class Doubly regularized Support Vector Machine) algorithm was combined to achieve feature selection of multi-class network data. Comparison experiments with other semi-supervised algorithms including Spectral, PCFRSC and SEFR on Moore network data set were given, where SFSEL got higher classification accuracy and recall with fewer selection features. The experimental results show that the proposed algorithm has a better classification performance with selecting a strong correlation feature set of network traffic.

中图分类号:

TP393

林荣强李青李鸥李林林. 基于类标记扩展的半监督网络流量特征选择算法[J]. 计算机应用, 2014, 34(11): 3206-3209.

LIN Rongqiang LI Qing LI Ou LI Linlin. Semi-supervised network traffic feature selection algorithm based on label extension[J]. Journal of Computer Applications, 2014, 34(11): 3206-3209.

参考文献

[1]ZHANG H, LU G, QASSRAWI M T, et al. Feature selection for optimizing traffic classification [J]. Computer Communications, 2012, 35(12): 1457-1471.
[2]BELLAL F, ELGHAZEL H, AUSSEM A. A semi-supervised feature ranking method with ensemble learning [J]. Pattern Recognition Letters, 2012, 33(9): 1426-1433.
[3]SEBASTIAN M, JUAN P, RICHARD W, et al. Feature selection for support vector machines via mixed integer linear programming [J]. Information Sciences, 2014, 279(20): 163-175.
[4]WANG T, YU S. Advances in machine learning based network traffic classification [J]. Journal of Chinese Computer Systems, 2012, 33(5): 1034-1041.(王涛,余顺争. 基于机器学习的网络流量分类研究进展[J]. 小型微型计算机系统, 2012, 33(5): 1034-1041.)
[5]ZHAO Z, LIU H. Semi-supervised feature selection via spectral analysis [C]// Proceedings of the 2007 SIAM International Conference on Data Mining. Minneapolis: SDM Press, 2007: 641-646.
[6]REN J, QIU Z, FAN W, et al. Forward semi-supervised feature selection [EB/OL].[2013-10-10]. http://www.weifan.info/PAPERS/PAKDD08forward.pdf.
[7]WANG B, JIA Y, TIAN L. Semi-supervised feature selection algorithm based on extension of label [J]. Computer Science, 2009, 36(10): 189-191.(王博, 贾焰, 田李. 基于类标号扩展的半监督特征选择算法[J]. 计算机科学, 2009, 36(10): 189-191.)
[8]LI P, WANG Y, TAO X. Semi-supervised network traffic feature selection algorithm based on extension of pairwise constraints [J]. Transducer and Microsystem Technologies, 2013. 32(5): 146-150.(李平红, 王勇, 陶晓玲. 基于成对约束扩展的半监督网络流量特征选择算法[J]. 传感器与微系统, 2013,32(5): 146-150.)
[9]BELLAL F, ELGHAZEL H, AUSSEM A. A semi-supervised feature ranking method with ensemble learning [J]. Journal of Pattern Recognition Letters, 2012, 33(10):1426-1433.
[10]DAI K, YU H Y, LI Q. A semisupervised feature selection with support vector machine [J]. Journal of Applied Mathematics, 2013, 2013: Article ID 416320.
[11]BOYD S, PARIKH N, CHU E, et al. Distributed optimization and statistical learning via the alternating direction method of multipliers [J]. Machine Learning, 2010, 3(1): 1-122.
[12]MOORE A W, ZUEV D. Internet traffic classification using Bayesian analysis techniques [C]// Proceedings of the 2005 ACM SIGMETRICS International Conference on Measurement and Modeling of Computer Systems. New York: ACM Press, 2005: 50-60.

[1]	宗学军韩冰王国刚宁博伟何戡连莲. TDRFuzzer:基于自适应动态区间策略的工业控制协议模糊测试方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[2]	张明, 付乐, 王海峰. 面向边缘计算的并发数据流接转控制模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3876-3883.
[3]	郑智强王锐棋范子静何发镁姚叶鹏汪秋云姜政伟. DNS隧道检测技术研究综述[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[4]	张立孝马垚杨玉丽于丹陈永乐. 基于命名实体识别的大规模物联网二进制组件识别[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[5]	刘羿希, 何俊, 吴波, 刘丙童, 李子玉. DevSecOps中软件安全性测试技术综述[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3470-3478.
[6]	庞川林, 唐睿, 张睿智, 刘川, 刘佳, 岳士博. D2D通信系统中基于图卷积网络的分布式功率控制算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2855-2862.
[7]	方介泼, 陶重犇. 应对零日攻击的混合车联网入侵检测系统[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2763-2769.
[8]	张一鸣曹腾飞. 基于本地漂移和多样性算力的联邦学习优化算法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[9]	徐航, 杨智, 陈性元, 韩冰, 杜学绘. 基于自适应敏感区域变异的覆盖引导模糊测试[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2528-2535.
[10]	陈虹, 齐兵, 金海波, 武聪, 张立昂. 融合1D-CNN与BiGRU的类不平衡流量异常检测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2493-2499.
[11]	耿海军董赟胡治国池浩田杨静尹霞. 基于Attention-1DCNN-CE的加密流量分类方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[12]	邓淼磊阚雨培孙川川徐海航樊少珺周鑫. 基于深度学习的网络入侵检测系统综述[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[13]	陈瑞龙胡涛卜佑军伊鹏胡先君乔伟. 面向加密恶意流量检测模型的堆叠集成对抗防御方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[14]	吴中岱, 韩德志, 蒋海豹, 冯程, 韩冰, 陈重庆. 海洋船舶通信网络安全综述[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2123-2136.
[15]	姚梓豪, 栗远明, 马自强, 李扬, 魏良根. 基于机器学习的多目标缓存侧信道攻击检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1862-1871.

基于类标记扩展的半监督网络流量特征选择算法

Semi-supervised network traffic feature selection algorithm based on label extension

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics