网络流量特征选择方法中的分治投票策略研究

doi:10.3969/j.issn.0372-2112.2015.04.024

电子学报 ›› 2015, Vol. 43 ›› Issue (4): 795-799.DOI: 10.3969/j.issn.0372-2112.2015.04.024

所属专题：机器学习—特征选择

网络流量特征选择方法中的分治投票策略研究

高文¹, 钱亚冠^1,2, 吴春明¹, 郭晔³, 朱凯¹, 陈双喜⁴

1. 浙江大学计算机学院, 浙江杭州 310027;
2. 浙江科技学院理学院, 浙江杭州 310023;
3. 浙江大学图书与信息中心, 浙江杭州 310027;
4. 嘉兴职业技术学院, 浙江嘉兴 314036

收稿日期:2013-11-05 修回日期:2014-03-03 出版日期:2015-04-25
- 通讯作者:
- 钱亚冠
- 作者简介:
- 高文男,1987年生,广东广州人.2009年毕业于上海交通大学,获学士学位.现为浙江大学计算机学院博士研究生,主要研究方向为软件定义网络、可重构网络、网络仿真平台.E-mail:gavingao@zju.edu.cn;吴春明 男,1967年生,浙江萧山人,博士.现为浙江大学计算机学院教授、博士生导师,主要研究方向为未来互联网络、可重构网络技术与网络虚拟化、网络服务质量.E-mail:wcm@zju.edu.cn;朱凯男,1989年生,山东枣庄人.2011年毕业于山东大学,获学士学位.现为浙江大学计算机科学与技术学院博士研究生,主要研究方向为软件定义网络、可重构网络、网络虚拟化计算.陈双喜男,1980年生,安徽安庆人,硕士,现为嘉兴职业技术学院信息技术分院讲师,浙江大学计算机系统结构与网络安全研究所科研聘岗教师,主要研究方向:未来网络体系架构、网络内容安全、机器学习、分布式计算.
- 基金资助:
- 国家973重点基础研究发展计划 (No.2012CB315903); 浙江省重点科技创新团队 (No.2011R50010-21,No.2013TD20); 国家自然科学基金 (No.61379118); 国家科技支撑计划 (No.2014BAH24F01); 国家863计划 (No.2012AA01A507); 浙江省网络媒体云处理与分析工程技术中心开放课题 (No.2012E10023-14)

The Divide-Conquer and Voting Strategy for Traffic Feature Selection

GAO Wen¹, QIAN Ya-guan^1,2, WU Chun-ming¹, GUO Ye³, ZHU Kai¹, CHEN Shuang-xi⁴

1. The College of Computer Science, Zhejiang University, Hangzhou, Zhejiang 310027, China;
2. College of Science, Zhejiang University of Science and Technology, Hangzhou, Zhejiang 310023, China;
3. Library Information Center, Zhejiang University, Hangzhou, Zhejiang 310027, China;
4. Jiaxing Vocational Technology College, Jiaxing, Zhejiang 314036, China

Received:2013-11-05 Revised:2014-03-03 Online:2015-04-25 Published:2015-04-25
- Supported by:
- National Program on Key Basic Research Project of China (973 Program) (No.2012CB315903); Key Science and Technology Innovation Team Zhejiang Province (No.2011R50010-21, No.2013TD20); National Natural Science Foundation of China (No.61379118); National Key Technology Research and Development Program of the Ministry of Science and Technology (No.2014BAH24F01); National High-tech R&D Program of China (863 Program) (No.2012AA01A507); Open Project of Zhejiang Network Media Cloud Processing and Analysis Engineering Technology Research Center (No.2012E10023-14)

摘要/Abstract

摘要：

特征选择作为机器学习过程中的预处理步骤,是影响分类性能的关键因素.网络流量具有数据量大,特征维度高的特点,如何快速提取特征子集,并提高分类效率对于基于机器学习的流量分类方法具有重要意义.本文提出基于分治与投票策略的特征提取方法,将数据集分裂为多个子集,分别执行特征提取算法,利用投票方法获得最后的特征子集.实验表明可有效提高特征提取的时间效率,同时使分类器取得良好的分类准确率.

关键词: 分治, 投票, 流量分类, 特征选择

Abstract:

Feature selection as a substantial preprocess step is a key factor for improvement of classification accuracy.The network traffic is characterized by huge volume and high dimensions.So how to extract the optimal feature subset in short time is practical for traffic classification based on machine learning.A novel method is proposed,which partitions the traffic dataset into several small subsets,and applies special feature selection algorithm to them respectively.Finally,the optimal feature subset is obtained by voting on these alternative feature subsets.The experiment results show that the proposed method has good time efficiency in searching optimal features and helps to improve classification accuracy efficiently.

Key words: divide and conquer, voting, traffic classification, feature selection

中图分类号:

TP393.4

高文, 钱亚冠, 吴春明, 等. 网络流量特征选择方法中的分治投票策略研究[J]. 电子学报, 2015, 43(4): 795-799.

GAO Wen, QIAN Ya-guan, WU Chun-ming, et al. The Divide-Conquer and Voting Strategy for Traffic Feature Selection[J]. Acta Electronica Sinica, 2015, 43(4): 795-799.

参考文献

[1] Dainotti A,Pescapè A,Claffy K C.Issues and future directions in traffic classification[J].Network,IEEE,2012,26(1):35-40.
[2] Yaguan Q,Chunming W,Qiang Y,et al.Network traffic anomaly detection based on maximum entropy model[J].Chinese Journal of Electronics,2012,21(3):579-582.
[3] Zhang H,Lu G,Qassrawi M T,et al.Feature selection for optimizing traffic classification[J].Computer Communications,2012,35(12):1457-1471.
[4] Moore A,Zuev D,Crogan M.Discriminators for Use in Flow-Based Classification[R].London:Queen Mary and Westfield College,Department of Computer Science,2005.
[5] Jain A,Zongker D.Feature selection:Evaluation,application,and small sample performance[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(2):153-158.
[6] Hall M A.Correlation-based feature selection for machine learning[D].Waikato,New Zealand:The University of Waikato,1999.
[7] E Rich,K Knight.Artificial Intelligence[M].New York,US: McGraw-Hill,1991.
[8] Sun M,Chen J,Zhang Y,et al.A new method of feature selection for flow classification[J].Physics Procedia,2012,24:1729-1736.
[9] 宁卓,孙知信,龚俭,等.利用流量特征的 GIDS 报文分类优化算法[J].电子学报,2012,40(3):530-537. NING Zhuo,SUN Zhi-xin,GONG Jian,ZHANG Wei-wei.An improved GIDS packet classification algorithm using the characteristic of the traffic[J].Acta Electronica Sinica,2012,40(3):530-537.(in Chinese)
[10] Jamil H A,Zarei R,Fadlelssied N O,et al.Analysis of features selection for P2P traffic detection using support vector machine[A].Information and Communication Technology (ICoICT)[C].Bandung:IEEE,2013.116-121.
[11] Alazab A,Hobbs M,Abawajy J,et al.Using feature selection for intrusion detection system[A].Communications and Information Technologies (ISCIT)[C].Gold Coast,QLD:IEEE,2012.296-301.
[12] Moore A W,Zuev D.Internet traffic classification using bayesian analysis techniques[A].ACM SIGMETRICS Performance Evaluation Review[C].Banff,Alberta,Canada:ACM,2005.50-60.
[13] Zhang Y,Wang H,Cheng S.A method for real-time peer-to-peer traffic classification based on C4.5[A].2010 12th IEEE International Conference on Communication Technology (ICCT)[C].Nanjing:IEEE,2010.1192-1195.
[14] Andrew W Moore.Dataset[OL].http://www.cl.cam.ac.uk/research/srg/netos/nprobe/data/papers/sigmetrics/index.html,2013.8.

[1]	江兵兵, 何文达, 吴兴宇, 项俊浩, 洪立斌, 盛伟国. 基于自适应图学习的半监督特征选择[J]. 电子学报, 2022, 50(7): 1643-1652.
[2]	肖进胜, 张舒豪, 陈云华, 王元方, 杨力衡. 双向特征融合与特征选择的遥感影像目标检测[J]. 电子学报, 2022, 50(2): 267-272.
[3]	刘浩阳, 林耀进, 刘景华, 吴镒潾, 毛煜, 李绍滋. 由粗到细的分层特征选择[J]. 电子学报, 2022, 50(11): 2778-2789.
[4]	周伯阳, 郭志民, 王延松, 阮伟, 吴春明, 周宁, 张伟, 程国振. 基于多尺度低秩模型的电力无线接入网异常流量检测方法[J]. 电子学报, 2020, 48(8): 1552-1557.
[5]	宋秀丽, 曹耘凡, 杨帅. 基于d维三粒子纠缠态的量子投票表决方案[J]. 电子学报, 2020, 48(7): 1355-1360.
[6]	尤殿龙, 郭松, 赵春慧, 原福永, 申利民, 陈真. 面向分类的流特征在线特征选择算法[J]. 电子学报, 2020, 48(2): 321-332.
[7]	方佳艳, 刘峤. 具有同步化特征选择的迭代紧凑非平行支持向量聚类算法[J]. 电子学报, 2020, 48(1): 44-58.
[8]	马超, 南龙梅, 潘达杉, 李伟, 戴紫彬. IBPU:一种面向通用处理器架构的比特置换功能单元[J]. 电子学报, 2018, 46(8): 1960-1968.
[9]	曲长文, 冯奇, 李廷军. 基于分治-贪心算法的高斯混合多观测站CPHD滤波器[J]. 电子学报, 2018, 46(10): 2472-2479.
[10]	申健, 夏靖波, 张晓燕, 赵广辉, 付凯. 基于分治排序策略的流量二次特征选择[J]. 电子学报, 2017, 45(1): 128-134.
[11]	付文亮, 郭平, 周舟. 一种面向100Gbps网络的L7-filter硬件加速方法[J]. 电子学报, 2016, 44(11): 2561-2568.
[12]	陈小红, 李霞, 王娜. 高维多目标优化中基于稀疏特征选择的目标降维方法[J]. 电子学报, 2015, 43(7): 1300-1307.
[13]	尹建芹, 田国会, 魏军, 李金屏, 林佳本. 特征的支持度与其分类能力的关系研究[J]. 电子学报, 2015, 43(2): 248-254.
[14]	巩敦卫, 胡滢, 张勇. 基于多目标微粒群优化的异质数据特征选择[J]. 电子学报, 2014, 42(7): 1320-1326.
[15]	戴大蒙, 慕德俊. 非完备信息系统的启发式特征选择遗传算法[J]. 电子学报, 2013, 41(3): 451-455.

网络流量特征选择方法中的分治投票策略研究

The Divide-Conquer and Voting Strategy for Traffic Feature Selection

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