典型文献
一种基于机器学习的网络流早期分类方法
文献摘要：
流早期分类对于优化网络管理和确保服务质量(Quality of Service,QoS)至关重要.针对传统流特征在流早期分类中性能较低的问题,在现有研究基础上,提出了两种新的特征:一是通过等距分箱划分包大小等级,计算相邻到达的两个数据包的包大小等级条件频度;二是通过将包大小序列和包到达时间间隔对应相除,得到速率序列,并计算该序列的统计特征作为分类特征.同时,考虑到早期分类的实时性要求,分析了流特征计算的时间复杂性,在特征选择中优化了时间和准确性之间的平衡.另外,针对网络视频流量占比较大的情况,提出了一种层级分类结构;先使用较少的数据包进行non-video/video的二分类,再使用后续的数据包,进行non-videos和videos的细粒度分类.采用随机森林在两个实际网络数据集上进行分类性能测试,并与文献方法进行比较,验证了该方法在快速流量分类中的优越性.
文献关键词：
流早期分类;特征选择;条件频度;层级结构
中图分类号：
作者姓名：
项阳;董育宁;魏昕
作者机构：
南京邮电大学通信与信息工程学院,江苏南京210003
文献出处：
引用格式：
[1]项阳;董育宁;魏昕-.一种基于机器学习的网络流早期分类方法)[J].南京邮电大学学报（自然科学版）,2022(04):96-104
A类：
流早期分类,条件频度
B类：
基于机器学习,网络流,分类方法,网络管理,Quality,Service,QoS,等距,分箱,分包,数据包,到达时间,时间间隔,相除,统计特征,分类特征,特征计算,特征选择,网络视频,视频流量,流量占比,二分类,videos,细粒度分类,网络数据,分类性能,流量分类,层级结构
AB值：
0.408247
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
