基于分治排序策略的流量二次特征选择
Secondary Feature Extraction of Network Traffic Based on Divide-Conquer and Ranking Strategy
查看参考文献21篇
|
文摘
|
网络业务流量的多样化高速化发展给流量识别技术带来了极大挑战,特征选择作为对数据降维处理的有效方法,具有重要的研究意义.本文描述了流量二次特征选择模型,并以此为基础提出了流量二次特征选择算法.算法将流量数据分为若干数据子集进行分治处理,对各数据子集提取出的特征进行汇总,以提出的影响度这一指标作为特征评估排序的依据,进行二次特征提取.实验表明,提出的算法在模型构建上性能更加优越,并且可以选取更少的特征实现对流量更准确的识别. |
|
其他语种文摘
|
The diversified and high-speed development of network traffic presents a great challenge for traffic identification.As an effective method for data dimensionality reduction,the research of feature extraction is of great significance.A secondary traffic feature extraction model is described as the foundation of the secondary feature extraction algorithm of network traffic.The algorithm divides traffic data into several subsets and gathers the features extracted from different subsets.The index of influence is proposed as the reference of feature ranking and extraction.The experiment results show that the secondary traffic feature extraction model has better performance,and the algorithm can identify traffic more accurately with fewer features. |
|
来源
|
电子学报
,2017,45(1):128-134 【核心库】
|
|
DOI
|
10.3969/j.issn.0372-2112.2017.01.018
|
|
关键词
|
二次特征提取
;
分治
;
排序
;
影响度
;
流量识别
|
|
地址
|
1.
空军工程大学信息与导航学院, 陕西, 西安, 710077
2.
厦门大学嘉庚学院, 福建, 厦门, 363105
3.
辽宁科技大学, 辽宁, 鞍山, 114000
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
0372-2112 |
|
学科
|
自动化技术、计算机技术 |
|
基金
|
中国航空科学基金
;
陕西省科技计划自然基金重点项目
|
|
文献收藏号
|
CSCD:5902643
|
参考文献 共
21
共2页
|
|
1.
张宾. Internet流量模型分析与评述.
软件学报,2011,22(1):115-131
|
CSCD被引
41
次
|
|
|
|
|
2.
Grimaudo L. Self-learning classifier for Internet traffic.
Proceedings of the IEEE INFOCOM,2013:3381-3386
|
CSCD被引
1
次
|
|
|
|
|
3.
Ding L. A classification algorithm for network traffic based on improved support vector machine.
Journal of Computers,2013,8(4):1090-1096
|
CSCD被引
3
次
|
|
|
|
|
4.
杨建华. 一种高效的业务流分类算法.
电子学报,2006,34(3):549-552
|
CSCD被引
2
次
|
|
|
|
|
5.
张广兴. Internet城域出口链路流量测量与特征分析.
电子学报,2007,35(11):2092-2097
|
CSCD被引
7
次
|
|
|
|
|
6.
马祥杰. 输入排队Crossbar架构下的流量模型.
电子学报,2009,37(1):170-174
|
CSCD被引
4
次
|
|
|
|
|
7.
Zhang H. Feature selection for optimizing traffic classification.
Computer Communications,2012,35(12):1457-1471
|
CSCD被引
19
次
|
|
|
|
|
8.
Amiri F. Mutual information-based feature selection for intrusion detection systems.
Journal of Network and Computer Applications,2011,34(4):1184-1199
|
CSCD被引
18
次
|
|
|
|
|
9.
Yang J. An empirical investigation of filter attribute selection techniques for high-speed network traffic flow classification.
Wireless Personal Communications,2012,66(3):541-558
|
CSCD被引
2
次
|
|
|
|
|
10.
叶春明. 基于节点行为特征分析的网络流量分类方法.
电子与信息学报,2014,36(9):2158-2165
|
CSCD被引
6
次
|
|
|
|
|
11.
苗长胜. 基于互信息和文化基因算法的网络流量特征选择.
东北大学学报,2014,35(11):1530-1534
|
CSCD被引
2
次
|
|
|
|
|
12.
黄志艳. 一种基于信息增益的特征选择方法.
山东农业大学学报(自然科学版),2013,44(2):252-256
|
CSCD被引
3
次
|
|
|
|
|
13.
张振海. 一类基于信息熵的多标签特征选择算法.
计算机研究与发展,2013,50(6):1177-1184
|
CSCD被引
35
次
|
|
|
|
|
14.
Li G Z. Feature selection for semi-supervised multi-label learning with application to gene function analysis.
Proceedings of the 2010 ACM International Confernece on Bioinformatics and Computational Biology,2010:354-357
|
CSCD被引
1
次
|
|
|
|
|
15.
You M Y. Embedded feature selection for multi-label classification of music emotion.
International Journal of Computational Intelligence Systems,2012,5(4):668-678
|
CSCD被引
8
次
|
|
|
|
|
16.
高文. 网络流量特征选择方法中的分治投票策略研究.
电子学报,2015,43(4):795-799
|
CSCD被引
6
次
|
|
|
|
|
17.
宁卓. 利用流量特征的GIDS报文分类优化算法.
电子学报,2012,40(3):530-537
|
CSCD被引
2
次
|
|
|
|
|
18.
Rich E.
Artificial Intelligence,1991
|
CSCD被引
3
次
|
|
|
|
|
19.
Hall M A.
Correlation-Based Feature Selection for Machine Learning,1999
|
CSCD被引
22
次
|
|
|
|
|
20.
Moore A W.
Dataset,2013
|
CSCD被引
1
次
|
|
|
|
|
了解气象卫星更多信息，请访问