基于K均值和双支持向量机的P2P流量识别方法

被引：5

作者：

郭伟 ^{[1
]}

王西闯 ^{[1
]}

肖振久 ^{[2
]}

机构：

[1] 辽宁工程技术大学软件学院

[2] 中国传媒大学计算机学院

来源：

计算机应用 | 2013年 / 33卷 / 10期

基金：

北京市自然科学基金;

关键词：

P2P流量识别; 有监督机器学习; 双支持向量机; K均值集成; 时间代价;

D O I：

暂无

中图分类号：

TP393.06 [];

学科分类号：

摘要：

针对目前常用于P2P流量识别的有监督机器学习方法普遍存在时间代价较高的现状,提出采用时间代价为标准支持向量机四分之一的双支持向量机来构建分类器,并采用K均值集成方法快速生成有标签样本集,组合有标签样本集构成双支持向量机的训练样本,最后利用构建好的双支持向量机分类模型进行P2P流量的识别。实验结果表明采用基于K均值集成结合双支持向量机的方法在P2P流量识别的时间代价、准确率和稳定性方面要远优于标准支持向量机。

引用

页码：2734 / 2738

页数：5

共 10 条

[1]

基于流量与行为特征的P2P流量识别模型 [J].

邬书跃 ;

余杰 ;

樊晓平 .

计算机工程, 2012, 38 (16) :182-184+188

[2]

K-means初始聚类中心的选择算法 [J].

郑丹 ;

王潜平 .

计算机应用, 2012, 32 (08) :2186-2188+2192

[3]

一种结合人工蜂群和K-均值的混合聚类算法 [J].

毕晓君 ;

宫汝江 .

计算机应用研究, 2012, 29 (06) :2040-2042+2046

[4]

半监督FSVM在羽绒菱节识别中的应用 [J].

邢笛 ;

葛洪伟 .

计算机工程与应用 , 2013, (01) :242-244+270

[5]

基于双支持向量机的偏二叉树多类分类算法 [J].

谢娟英 ;

张兵权 ;

汪万紫 .

南京大学学报(自然科学版), 2011, 47 (04) :354-363

[6]

基于支持向量机的Internet流量分类研究 [J].

徐鹏 ;

刘琼 ;

林森 .

计算机研究与发展, 2009, 46 (03) :407-414

[7]

P2P网络流量控制管理若干关键技术研究 [D].

吴敏 .

南京邮电大学,

2011

[8]

Least squares twin support vector machine classification via maximum one-class within class variance [J].

Ye, Qiaolin ;

Zhao, Chunxia ;

Ye, Ning .

OPTIMIZATION METHODS & SOFTWARE, 2012, 27 (01) :53-69

[9]

Internet traffic classification using bayesian analysis techniques.[J].Andrew W. Moore;Denis Zuev.ACM SIGMETRICS Performance Evaluation Review.2005, 1

[10]

基于双重支持向量机的分类算法研究 [D].

王震 .

吉林大学,

2010

← 1 →