摘要: 相关向量机(Relevant Vector Machine, RVM)与支持向量机(Support Vector Machine, SVM)相比,不仅更适用于在线分类,还具有概率预测的优点。在研究、分析分类结果预测概率及其对分类准确率影响的基础上,提出了一种新的基于RVM的在线网络流量分类方法:首先,利用RVM对网络流量分类,输出分类结果预测概率;对于置疑区间[0.1, 0.9]内的网络流,采用“端口号+深度数据包检测(DPI)”相结合的方法重新进行识别;对于预测概率处于[0, 0.1]和[0.9, 1]区间的分类结果则完全采纳。实验表明:该方法的整体分类准确率能达到98%左右,且实时性较好。
[1] | 夏靖波, 柏骏, 赵小欢, 吴吉祥. 基于相关向量机的在线网络流量分类方法[J]. 吉林大学学报(工学版), 2014, 44(2): 459-464. |
[2] | 齐滨, 赵春晖, 王玉磊. 基于支持向量机与相关向量机的高光谱图像分类[J]. 吉林大学学报(工学版), 2013, 43(增刊1): 143-147. |
[3] | 吴旗, 刘健男, 寇文龙, 张宗升. 改进的单类支持向量机的网络流量检测[J]. 吉林大学学报(工学版), 2013, 43(增刊1): 124-127. |
[4] | 柳长源, 毕晓君, 韦琦. 基于相关向量机的含噪声人脸图像识别[J]. 吉林大学学报(工学版), 2013, 43(04): 1121-1126. |
|