网络流量特征选择方法中的分治投票策略研究

高文; 钱亚冠; 吴春明; 郭晔; 朱凯; 陈双喜

doi:10.3969/j.issn.0372-2112.2015.04.024

您当前的位置：

首页 >

文章列表页 >

网络流量特征选择方法中的分治投票策略研究

科研通信 | 更新时间：2025-07-16

- 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
- 电子学报 2015年43卷第4期页码：795-799
- 作者机构：
  
  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
  5. 浙江大学计算机学院,浙江,杭州,310027
  6. 浙江科技学院理学院,浙江,杭州,310023
  7. 浙江大学图书与信息中心,浙江,杭州,310027
  8. 嘉兴职业技术学院,浙江,嘉兴,314036
- 作者简介：
- 基金信息：
  
  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)
- DOI：10.3969/j.issn.0372-2112.2015.04.024
  中图分类号： TP393.4
- 纸质出版：2015
- 稿件说明：
移动端阅览
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.
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. DOI： 10.3969/j.issn.0372-2112.2015.04.024.

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. DOI： 10.3969/j.issn.0372-2112.2015.04.024.

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.

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.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

带特征选择的综合因果多目标反事实解释方法

基于双模糊学习的鲁棒无监督特征选择算法

基于高阶矩特征选择和权值优化的信噪比估计

基于冗余覆盖信息约简的软件缺陷定位方法

基于核空间联合稀疏表示和指数平滑的多基地水下小目标识别