基于时序特征的网络流量分类方法

作     者：赵力强 师智斌 石琼 雷海卫 ZHAO Liqiang;SHI Zhibin;SHI Qiong;LEI Haiwei

作者机构：中北大学大数据学院山西太原030051 

基　　金：山西省自然科学基金资助项目(20210302123075) 山西省重点研发计划资助项目(201903D121166) 

出 版 物：《中北大学学报（自然科学版）》 (Journal of North University of China(Natural Science Edition))

年 卷 期：2022年第43卷第3期

页      码：221-228页

摘      要：网络流量数据具有明显的时序特征.针对基于机器学习的网络流量分类方法中,传统机器学习依赖人工设计特征以及深度学习无法兼顾特征自主生成与特征可解释性等问题,采用时序分析方法,提出了一种基于时序特征的网络流量分类方法.首先,将网络流量数据预处理为时序数据;然后,应用Shapelet-Transform算法来自主学习网络流量的时序特征,并改写Shapelet-Transform算法的计算逻辑,且将其部署在GPU上,使其可以快速处理大规模网络流量数据集;最后,结合支持向量机分类算法构造了最优分类模型来实现网络流量分类.公开数据集实验测试结果表明,所提方法可以实现网络流量时序特征的自主学习,并达到与深度学习接近的分类精度,同时给出深度学习方法无法提供的可解释性分类依据.

主 题 词：网络流量分类 时序特征 Shapelet-Transform 可解释性 GPU 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 08[工学] 081201[081201] 0812[工学-测绘类] 

D　O　I：10.3969/j.issn.1673-3193.2022.03.005

馆 藏 号：203112314...