使用自组织增量径向基网络的在线网络流量分类算法

陈卓; 吕娜; 张彦晖; 缪竞成

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
- 暂无标题
- 西安交通大学学报 2020年第12期页码：62-69+78
- 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：
  
  国家自然科学基金资助项目(61703427)
- DOI：
  中图分类号： TP181;TP393.06
- 纸质出版：2020
- 稿件说明：
移动端阅览
陈卓, 吕娜, 张彦晖, 等. 使用自组织增量径向基网络的在线网络流量分类算法[J]. 西安交通大学学报, 2020,(12):62-69+78.
陈卓, 吕娜, 张彦晖, 等. 使用自组织增量径向基网络的在线网络流量分类算法[J]. 西安交通大学学报, 2020,(12):62-69+78. DOI：

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).

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

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

语义区分和子图整合驱动的知识图谱表示学习方法