AR-HELM算法在网络流量分类中的应用研究

doi:10.3969/j.issn.1671-1122.2018.01.002

信息网络安全 ›› 2018, Vol. 18 ›› Issue (1): 9-14.doi: 10.3969/j.issn.1671-1122.2018.01.002

AR-HELM算法在网络流量分类中的应用研究

魏书宁^1,²(), 陈幸如^1,², 唐勇³, 刘慧^1,²

1.湖南师范大学物理与信息科学学院,湖南长沙410006
2.湖南师范大学物联网技术及应用重点实验室,湖南长沙410006
3.国防科技大学计算机学院,湖南长沙410073

收稿日期:2017-12-05 出版日期:2018-01-20 发布日期:2020-05-11
作者简介:
作者简介：魏书宁(1979—), 女,湖南,副教授, 博士,主要研究方向为智能控制、数据分析等;陈幸如(1994—),女,安徽,硕士研究生,主要研究方向为网络流量分类、大数据分析;唐勇(1979—),男,湖南,副研究员,博士,主要研究方向为网络安全;刘慧（1982—）,女,湖南,实验师,硕士,主要研究方向为数字图像处理。
基金资助:
国家自然科学基金[61472437];湖南师大自然科学研究项目[物160432]

Research on the Application of AR-HELM Algorithm in Network Traffic Classifi cation

Shuning WEI^1,²(), Xingru CHEN^1,², Yong TANG³, Hui LIU^1,²

1. College of Physics and Information Science, Hunan Normal University, Changsha Hunan 410006, China
2. Internet of Things Technology and Application Key Lab, Hunan Normal University, Changsha Hunan 410006, China
3. College of Computer, National University of Defense Technology, Changsha Hunan 410073, China

Received:2017-12-05 Online:2018-01-20 Published:2020-05-11

摘要/Abstract

摘要：

针对传统分类算法建模速度慢、精确度低、分类效率不理想等问题,一种基于粗糙集属性约简的极限学习机网络流量分类方法成为利用机器学习研究网络流量分类的热门方法。由于结构限制,一些特殊的自然信号数据使用极限学习机进行特征学习一定程度上并不是很有效。因此,文章提出一种基于改进的粗糙集属性约简的多层极限学习机算法作为分类算法进行建模。实验结果显示,相较传统的神经网络和机器学习算法,文章算法可以很好地应用于网络流量分类且改善了极限学习机的学习表现。改进后的算法模型获得了更快、更优质的聚合结果。

关键词: 网络流量分类, 属性约简, 极限学习机, 粗糙集

Abstract:

Considering the huge time overheads, low accuracy rate and undesirable classification efficiency of the conventional classification algorithms, extreme learning machine network traffic classification methods based on attribute reduction in rough set become hot methods which study network traffic classification using machine learning. Due to structural constraints, feature learning using extreme learning machine (ELM) may be ineffective for some special natural signal data. Thus, an improved hierarchical extreme learning machine algorithm based on attribute reduction in rough set (AR-HELM) is proposed as classification algorithm to construct model. The experimental results show that, comparison with traditional neural network and machine learning algorithm, the AR-HELM can be well applied to network traffic classification and improve the learning performance of the extreme learning machine. The improved algorithm model gets faster and better convergence results.

Key words: network traffic classification, attribute reduction, ELM, rough set

中图分类号:

TP309.1

魏书宁, 陈幸如, 唐勇, 刘慧. AR-HELM算法在网络流量分类中的应用研究[J]. 信息网络安全, 2018, 18(1): 9-14.

Shuning WEI, Xingru CHEN, Yong TANG, Hui LIU. Research on the Application of AR-HELM Algorithm in Network Traffic Classifi cation[J]. Netinfo Security, 2018, 18(1): 9-14.

图/表 5

参考文献 19

[1]	李晓明. 基于机器学习的网络流量分类算法分析研究[J].中国传媒大学学报:自然科学版,2017,24(2):9-14.
[2]	王涛,余顺争.基于机器学习的网络流量分类研究进展[J].小型微型计算机系统,2012,33(5):1034-1040.
[3]	孙靖超. 一种基于机器学习的网页分类技术[J].信息网络安全,2017(9):45-48.
[4]	韦泽鲲,夏靖波,张晓燕,等. 基于随机森林的流量多特征提取与分类研究[J]. 传感器与微系统,2016,35(12):55-59.
[5]	李平红,王勇,陶晓玲.基于成对约束扩展的半监督网络流量特征选择算法[J]. 传感器与微系统,2013.32(5):146-149.
[6]	李平红. 支持向量机的半监督网络流量分类方法[J].计算机应用,2013,33(6):1515-1518.
[7]	周文刚,陈雷霆,LUBOMIRBIC,等.基于半监督的网络流量分类识别算法[J].电子测量与仪器学报,2014,28(4):381-386.
[8]	徐鹏,刘琼,林森.基于支持向量机Internet 流量分类研究[J].计算机研究与发展,2009,46(3):407-414.
[9]	汤健,孙春来,毛克峰,等.基于主元分析和互信息维数约简策略的网络入侵异常检测[J].信息网络安全,2015(9):78-83.
[10]	VINCENT P, LAROCHELLE H, BENGIO Y, et al.Extracting and Composing Robust Features with Denoising Autoencoders[C]//ACM. Proceedings of the 25th International Conference on Machine Learning, July 5 - 9, 2008, Helsinki, Finland. New York:ACM,2008: 1096-1103.
[11]	HUANG Guangbin, ZHOU Hongming, DING Xiaojian, et al.Extreme Learning Machine for Regression and Multiclass Classification[J].IEEE Transaction on Systems, Man, and Cybernetics, 2012,42(2): 513-529.
[12]	HUANG Guangbin.An Insight into Extreme Learning Machines: Random Neurons, Random Features and Kernels[J].Cognitive Computation, 2014, 6(3): 376-390.
[13]	MIRZA B, LIN Zhiping, TOH K A.Weighted Online Sequential Extreme Learning Machine for Class Imbalance Learning[J].Neural Processing Letters,2013,38(3):465-486.
[14]	HUANG Guangbin, SARATCHANDRAN P, SUNDARARAJAN N.An Efficient Sequential Learning Algorithm for Growing and Pinning RBF(GAP-RBF) Networks[J]. IEEE Transactions on Systems, Man and Cybemetics,2004,34(6):2284-2292.
[15]	HUANG Guangbin, SONG Shiji, GUPTA J N D, et al. Semi-supervised and Unsupervised Extreme Learning Machines[J].IEEE Transaction on Cybernetics,2014,44(12): 2405-2417.
[16]	HUANG Guangbin, ZHU Qinyu, SIEW C K.Extreme Learning Machine:Theory and Applications[J].Neuro Computing,2006,70(1):489-501.
[17]	TANG Jiexiong, DENG Chenwei, HUANG Guangbin, et al.Extreme Learning Machine for Multilayer Perceptron[J].IEEE Transactions on Neural Networks and Learning Systems,2015,27(4):809-821.
[18]	黄文涛,王伟杰,赵学增,等.基于分辨矩阵基元的不完备故障诊断系统的规则提取技术[J]. 机械工程学报,2009,45(9): 46-51.
[19]	李旬,徐剑,焦英楠,等.基于异常特征的社交网页检测技术研究[J].信息网络安全,2015(5):41-46.

AR-HELM算法在网络流量分类中的应用研究

Research on the Application of AR-HELM Algorithm in Network Traffic Classifi cation

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 19

相关文章 11

编辑推荐

Metrics

本文评价

[1]	段詠程, 王雨晴, 李欣, 杨乐. 基于RSAR的随机森林网络安全态势要素提取[J]. 信息网络安全, 2019, 19(7): 75-81.
[2]	魏书宁, 陈幸如, 焦永, 王进. AR-OSELM算法在网络入侵检测中的应用研究[J]. 信息网络安全, 2018, 18(6): 1-6.
[3]	宋伟, 杨培, 于京, 姜薇. 基于视觉语义概念的暴恐视频检测[J]. 信息网络安全, 2016, 16(9): 12-17.
[4]	范渊, 刘志乐, 王吉文. 一种基于模糊粗糙集的网络态势评估方法研究[J]. 信息网络安全, 2015, 15(9): 58-61.
[5]	戚名钰, 刘铭, 傅彦铭. 基于PCA的SVM网络入侵检测研究[J]. 信息网络安全, 2015, 15(2): 15-18.
[6]	王燕华;范涵冰. 基于粗糙集与概念格的入侵检测模型研究[J]. , 2013, 13(7): 0-0.
[7]	刘军. 基于叶枝比率的决策树构建算法[J]. , 2013, 13(2): 0-0.
[8]	方舟;黄俊强;王希忠. 基于粗糙集神经网络的信息安全等保测评方法[J]. , 2012, 12(Z): 0-0.
[9]	陈帆;林和;石周;崔伟男. 基于互信息变化率的属性约简算法[J]. , 2012, 12(7): 0-0.
[10]	陈令. 基于粗糙集的一类彩色验证码识别研究[J]. , 2012, 12(6): 0-0.
[11]	刘秀如. 基于粗糙集理论在公安工作中的研究[J]. , 2011, 11(6): 0-0.