使用自组织增量径向基网络的在线网络流量分类算法

您当前的位置：

首页 >

文章列表页 >

使用自组织增量径向基网络的在线网络流量分类算法

更新时间：2025-07-09

- 使用自组织增量径向基网络的在线网络流量分类算法
- Issue 12, Pages: 62-69+78(2020)
- 作者机构：
  
  空军工程大学信息与导航学院
- 作者简介：
- 基金信息：
- DOI：
  CLC： TP181;TP393.06
- Published：2020
- 稿件说明：
移动端阅览
[J]. 2020, (12): 62-69+78.
DOI：

[J]. 2020, (12): 62-69+78. DOI：

摘要

针对传统流量分类方法存在模型训练速度慢、样本标记成本高和难以满足分类实时性的问题

构建了一种在线的半监督流量分类算法——OSOINN-RBF。首先使用改进的自组织增量神经网络对数据进行在线增量式的无监督学习

获得代表流量数据分布的SOINN网络

SOINN中节点的权重和半径分别作为径向基网络隐藏层节点的中心和半径;径向基网络能够捕获数据中难以发现的规律性

具有良好的泛化能力和学习收敛速度;最后使用少部分标记样本调节径向基网络输出层的权重

提高径向基网络的分类性能。实验结果证明

与主流分类算法相比

OSOINN-RBF算法的分类性能都为最优

具有最小的时间开销;面对未知流量类别时

OSOINN-RBF算法相比SOINN算法的分类准确率提高了5%～7%。

Abstract

关键词

Keywords

references

Shen Furao,Tomotaka Ogura,Osamu Hasegawa.An enhanced self-organizing incremental neural network for online unsupervised learning[J].Neural Networks,2007(8).

Shen Furao,Osamu Hasegawa.An incremental network for on-line unsupervised classification and topology learning[J].Neural Networks,2005(1).

Andrew W. Moore,Denis Zuev.Internet traffic classification using bayesian analysis techniques[J].ACM SIGMETRICS Performance Evaluation Review,2005.

顾纯祥,吴伟森,石雅男,李光松.基于自编码器的未知协议分类方法[J].通信学报,2020(06).

王勇,周慧怡,俸皓,叶苗,柯文龙.基于深度卷积神经网络的网络流量分类方法[J].通信学报,2018(01).

邱天宇,申富饶,赵金熙.自组织增量学习神经网络综述[J].软件学报,2016(09).

叶春明,王珍,陈思,单洪.基于节点行为特征分析的网络流量分类方法[J].电子与信息学报,2014(09).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

采用神经网络与贝叶斯反演法自动优化乙酸化学反应动力学模型

利用神经网络逐级缩小定位区域的低复杂度多级干扰源直接定位方法

采用长短时记忆网络的低资源语音识别方法

一种采用神经网络PID控制的自适应资源分配方法

Windage Loss and Flow Characteristics in Impeller Back Gaps of sCO2 Radial Inflow Turbines

Related Author

黄佐华

胡二江

肖波

殷阁媛

李国兵

尹佳文

张国梅

赵晓丹

Related Institution

西安交通大学动力工程多相流国家重点实验室

西安交通大学电子与信息学部

解放军信息工程大学信息系统工程学院

中国科学技术大学信息科学技术学院

中国科学院大学

⁰