论文研究-基于快速SVM的大规模网络流量分类方法.pdf

支持向量机方法具有良好的分类准确率、稳定性与泛化性, 在网络流量分类领域已有初步应用, 但在面对大规模网络流量分类问题时却存在计算复杂度高、分类器训练速度慢的缺陷。为此, 提出一种基于比特压缩的快速SVM方法, 利用比特压缩算法对初始训练样本集进行聚合与压缩, 建立具有权重信息的新样本集, 在损失尽量少原始样本信息的前提下缩减样本集规模, 进一步利用基于权重的SVM算法训练流量分类器。通过大规模样本集流量分类实验对比, 快速SVM方法能在损失较少分类准确率的情况下, 较大程度地缩减流量分类器的训练时间以及未知样本的预测时间, 同时, 在无过度压缩前提下, 其分类准确率优于同等压缩比例下的随机取样SVM方法。本方法在保留SVM方法较好分类稳定性与泛化性能的同时, 有效提升了其应对大规模流量分类问题的能力。