计算机研究与发展

作者：程光,钱德鑫,郭建伟,史海滨,吴桦,赵玉宇,

关键词：概念漂移, 机器学习, JS散度, 增量集成学习, 流量分类,

网络流量特征分布的动态变化产生概念漂移问题，造成基于机器学习的网络流量分类模型精度下降.定期更新分类模型耗时且无法保证分类模型的泛化能力.基于此，提出一种基于散度的网络流概念漂移分类方法(ensembleclassificationbasedondivergencedetection,ECDD)，采用双层窗口机制，从信息熵的角度出发，根据流量特征分布的JS散度，记为JSD(Jensen-Shannondivergence)来度量滑动窗口内数据分布的差异，从而检测概念漂移.借鉴增量集成学习的思想，检测到漂移时对于新样本重新训练出新的分类器，之后通过分类器权值排序，保留性能较高的分类器，加权集成分类结果对样本进行分类.抓取常见的网络应用流量，根据应用特征分布的不同构建概念漂移数据集，将该方法与常见的概念漂移检测方法进行实验对比，实验结果表明：该方法可以有效地检测概念漂移和更新分类器，表现出较好的分类性能.

来源：2020年第12期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2020年第12期