基于信息熵的自适应网络流概念漂移分类方法

摘要：

由于网络流量特征随时间和网络环境的变化而发生改变,导致基于机器学习的流量分类方法精度明显降低.同时,根据经验定期更新分类器是耗时的,且难以保证新分类器泛化性能.因而,文中提出一种基于信息熵的自适应网络流概念漂移分类方法,首先根据特征属性的信息熵变化检测概念漂移,再采用增量集成学习策略在概念漂移点引入当前流量建立的分类器,并剔除性能下降的分类器,达到更新分类器的目的,最后加权集成分类结果.实验结果表明该方法可以有效地检测概念漂移并更新分类器,表现出较好的分类性能和泛化能力.

关键词：概念漂移、机器学习、信息熵检测、增量集成学习、流量分类

所属期刊栏目：40

分类号：TP393(计算技术、计算机技术)

资助基金：国家"八六三"高技术研究发展计划项目基金2015AA015603;江苏省未来网络创新研究院未来网络前瞻性研究项目BY2013095-5-03;江苏省"六大人才高峰"高层次人才项目2011-DZ024;中央高校基本科研业务费专项资金和江苏省普通高校研究生科研创新计划资助项目KYLX15_0118

在线出版日期：2017-08-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共16页

页码：1556-1571