《基于有监督学习的流量分类》由会员分享，可在线阅读，更多相关《基于有监督学习的流量分类（2页珍藏版）》请在金锄头文库上搜索。
1、subsection基于主机行为的流量分类在解决流量分类的有关问题时，该方法的主要措施是主机在传输层的行为模式，其往往可以在不读取流量包负载信息的状态下进行，这也决定了该方法的面临的风险较小。另一方面，该方法对于端口号的信息也没有明显的依赖，分析效率的整体水平较高。而路由器则可以在获取Netflow 数据包信息环节发挥主要作用。因为主机行为的流分类也不可能十全十美，在面对一些应用子类型的识别方面往往显得无能为力，并且一旦传输层加密，该方法就无法发挥作用。section基于机器学习的网络流量分类方法在现阶段，机器学习成为很多学习者的首选。其主要由建立分类模型和对模型的分类两类组成。在建立模型的过
2、程中，如果选择这种办法，那么第一步需要采集训练样本，第二步则是发挥分类器的作用，完成有关数据的分类工作。另一方面，就学习方法而言，机器学习现在比较流行的是有监督学习和无监督学习流分类两种。subsection基于有监督学习的流量分类 有监督的流量分类技术很多时候被人们称为统计方法技术。该技术的特点是，为了使得给定的样本充分反映数据流量的实际情况，首先分析数据集的特点，然后以此为依据，建立相应的函数，有的时候是建立模型。 建立完整的分类模型是数据分类的必要条件，然后如实对预定的数据类进行描述，紧接着需要对模型的准确率进行了解，在此基础上发挥模型的作用，对数据进行针对性的分类，操作环节如图2所示。
3、beginfigurecenteringsetlengthbelowcaptionskip10ptincludegraphicsscale=0.82.pngcaption基于有监督机器学习的流量分类过程label图2endfigure 在分类模型的构造方法方面，很多学者都提出了自己的看法，并且也给出了不同的方法，例如：贝叶斯方法、决策树方法等。贝叶斯分类方法主要表现为有向无环图，但是该图的绘制往往是在重点参考概率有关知识的基础的进行的，因此其在预测未知样本的类别方面往往具有明显的效果，同时可以根据概率大小将其进行排序，并把概率最大的作为最终类别。而所谓决策树，即将所有的决策通过树的形状表示出来
4、，不同的分支表示相应的测试输出，而每个类别则是由节点来表示。而关联规则的分类，第一步就需要充分挖掘算法，准确发现其中存在的关联规则，在此基础上设置针对性的分类器。神经网络（neural networks）当中，具有不知一个的输入和输出单元，并且在参考不同权重的基础上，完成连接。不过这种网络会根据系统实际的难度，针对性的对内部节点进行调节，最终完成对信息的处理。例如单就准确率来说，贝叶斯法往往比其它的水平更高。William 等人主要研究了分类准确率和计算性能等，在对上述方法进行比较之后发现，他们的准确率并无太大差别，但是性能则大不一样，主要表现为决策树的速度最快，而最慢的是贝叶斯算法。subs
5、ubsection随机森林分类器随机森林分类器的优点有：（1）使用范围较广，可以适用于多种不同资料，并且产生的分类器准确度有保障，学习的效率极高。另一方面，如果出现资料遗失的情况，其可以对这些遗失的资料进行科学的估计，并且准确度保持在较高水平。而对于那些失衡的分类资料集，其主要作用表现为能够平衡误差。（2）能够高效解决输入变数方面的问题，而且可以在决定类别时，针对变数的重要性做出科学的评估。（3）能够计算出亲近度，在挖掘数据、侦测离群点（outlier）等发面发挥重要作用；随机森林分类器即发挥多棵树的作用，在此基础上对样本进行训练检测的。简而言之，随机森林就是由多棵CART (Classifi
6、cation And Regression Tree)构成的。单就训练集而言，所有树是从总的训练集中放回采样出来的。因此，在总体的训练集当中，相同的样本既有可能一次也不出现在一棵树的训练集中，也有可能出现很多次。具体分类器过程如下：（1）训练用例（样本）通过$N$来表示，特征数目则用进行$M$来表示。（2）输入特征数目$m$，在此基础上才能确定决策树上各个节点的结果；其中$M$要一直大于$m$。（3）从$N$个训练用例（样本）中以有放回抽样的方式，取样$N$次，在此基础上形成训练集（即bootstrap取样），而且为了更好评估误差，往往通过未抽到的用例（样本）作预测。（4）对于各个节点来说，随机选择$m$个特征，决策树上不同的决定都和这些特征息息相关。参照$m$个特征，算出其最好的分裂方式。（5）所有树都会完整成长，这有可能在建完一棵正常树状分类器后会被采用）。据前文所述，对于有监督学习的流量分类算法来说，最明显的缺陷是在提高分类器的准确度环节，往往只有一个选择，那就是完全依靠给定类别的流量数据，因此一般情况下难以寻找全新的应用模式。
