基于相似性迁移的网络流量分类方法

作     者：程超 郭晨璐 CHENG Chao;GUO Chen-lu

作者机构：长春工业大学计算机科学与工程学院吉林长春130000 

基　　金：吉林省教育厅基金项目(JJKH20210754KJ) 吉林省科学技术厅基金项目(20200401127GX) 

出 版 物：《计算机工程与设计》 (Computer Engineering and Design)

年 卷 期：2023年第44卷第2期

页      码：349-355页

摘      要：针对传统网络流量分类方法要求训练和测试数据分布一致、训练数据充足的假设在实际中难以满足的问题,引入迁移学习理论对其研究,提出从特征属性和样本域内相似性两个角度对网络流量数据优化,改进TrAdaBoost(boosting for transfer learning)算法的权重更新机制使其适应多分类任务,添加抑制因子解决源域权重转移现象。在数据集Moore上对该方法检验,结果表明,当目标样本量不足,该模型能根据相似性迁移,有效避免负迁移问题,相比其它流量分类模型具有更高的分类准确率。

主 题 词：相似性 迁移学习 网络流量 数据充足 负迁移 权重衰减 多分类 

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：10.16208/j.issn1000-7024.2023.02.005

馆 藏 号：203118254...