一.摘要:
1)NN(最邻近)方法优点(优点:无需训练过程,不存在参数过拟合。缺点:所需数据量大)
2)提出一种新的非参数化的流分类方法
3)通过将相关信息加入到分类过程中,提高性能
4)在极少的训练样本情况下也能显著改善业务分类性能
二.背景:
1.基于流的统计特征流分类问题尚未得到解决
2.NN更适合于当前复杂网络环境下的流量分类
3.本文贡献:
1)提出一种非参数方法,结合流量的相关性,以改善分类性能
2)从理论和实证两个方面对新的分类方法及其性能效益进行了详细的分析
3)本方法可以改善使用很少训练样本的流量分类
三.基于流相关性的流量分类方法
1.相关性:三元组(目的ip,目的端口,协议类型)
2.利用BOF(由同一应用产生的一些相关流)模型对三元组启发式算法得到的相关信息进行建模,研究基于BOF模型的监督分类方法
3.分类方法:
1)对所有流计算出统计特征
2)构建流量BoFs队列Q
3)计算预测值
4)预测类的聚合预测值(3中方法AVG-NN,MNN-NN,MVT-NN)
5)将队列Q中的流分配到各个类中
四.表现评估
1.两种度量方法:
1)总精度:该度量用于测量分类器对整个测试数据的准确性 2)F-测量:用于评估每类性能
2.特征选择:
1)单向包数量 2个
2)单向传输的字节量 2个
3)包的大小 8个
4)包间间隔时间 8个
3.概括:
1)对比NN能有效提高整体性能
2)该方法以稳健的方式提高分类精度
3)可改善每个类的F-测度,在大多数类中都得到显著改善
4)AVG-NN在总体性能,每个实验都优于MIN-NN,MVT-NN
5)TCC方法具有流量相关性,优于现有的流量分类
五.总结
1.该方法可广泛应用于从捕获的网络流量中自动识别未知应用,以及用于处理网络数据包的半监督数据挖掘。
Network Traffic Classification Using Correlation Information(基于关联信息的网络流分类)总结
最新推荐文章于 2024-04-23 23:36:26 发布