10.14132/j.cnki.1673-5439.2022.04.011
基于相关性特征选择和深度学习的网络流分类
随着网络和多媒体技术的发展,网络流量类别越来越多.网络流量正确分类对服务质量保证、资源分配等非常重要.现有研究中,运用简单的算术运算来融合特征,取得了有效的成果.但是,现有特征融合的运算方法比较单一,且高维特征中存在较多的冗余.为此,提出了增强特征融合方法,生成高维特征,并使用皮尔森相关系数选择最优特征组合.在两个真实数据集上对所提方法进行了测试,发现当特征之间的相关性阈值为0.90时,可以最大程度地删除冗余特征.之后,将选择特征生成二维灰度图,使用卷积神经网络(Convolutional Neural Networks,CNN)分类模型,总体准确率可达99.84%;与文献方法相比,准确率提高了 2~4个百分点.
网络流分类、特征融合、特征选择、皮尔森相关系数
42
TP391(计算技术、计算机技术)
国家自然科学基金61271233
2022-10-13(万方平台首次上网日期,不代表论文的发表时间)
共10页
75-84