在线学习的大规模网络流量分类研究-智能系统学报.pdf

第 １１卷第３期　 　 　 　 　 　 　 　 　 　 　 　 　 　 智　 能　 系　 统　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 Ｖｏｌ．１１№．３ ２０１６年６月　 　 　 　 　 　 　 　 　 　 　 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ　 　 　 　 　 　 　 　 　 　 　 　 Ｊｕｎ． ２０１６ ＤＯＩ：１０．３９６９／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１６０３０３３ 网络出版地址：ｈｔｔｐ：／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ ｋｃｍｓ／ ｄｅｔａｉｌ／ ２３．１５３８．ｔｐ１５５７．０２８．ｈｔｍｌ 在线学习的大规模网络流量分类研究 易磊，潘志松，邱俊洋，薛胶，任会峰 （中国人民解放军理工大学指挥信息系统学院，江苏 南京 ２１０００７） 摘　 要：传统的批处理机器学习方法在面对大规模网络流量分类问题时存在分类器训练速度慢、计算复杂度高的缺 陷。 近年来迅速发展的在线学习方法是解决大规模问题的有效途径。 本文针对高速骨干网上的大规模网络流量分 类问题，提出了一个基于在线学习的分类框架，并应用了８种在线学习算法。 在真实数据集上的实验表明，在分类精 度相当的情况下，在线学习算法与支持向量机（ＳＶＭ）相比空间开销小、模型训练时间显著缩短。 同时，为了考察网 络流量中样本顺序对分类效果的影响，本文对比了样本按时序处理与随机处理两种方式的差异，验证了网络流量样 本存在着时序上的相关性。 关键词：在线学习；大规模；网络流量分类；时序相关性；数据流；随机优化 中图分类号：ＴＰ１８１　 文献标志码：Ａ　 文章编号：１６７３⁃４７８５（２０１６）０３⁃０３１８⁃１０ 中文引用格式：易磊，潘志松，邱俊洋，等．在线学习的大规模网络流量分类研究［Ｊ］． 智能系统学报，２０１６，１１（２）：３１８⁃３２７． 英文引用格式：ＹＩ Ｌｅｉ，ＰＡＮ Ｚｈｉｓｏｎｇ，ＱＩＵ Ｊｕｎｙａｎｇ，ｅｔ ａｌ． Ｌａｒｇｅ⁃ｓｃａｌｅ ｎｅｔｗｏｒｋ ｔｒａｆｆｉｃ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｏｎｌｉｎｅ ｌｅａｒｎｉｎｇ ［Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ，２０１６，１１（３）：３１８⁃３２７． Ｌａｒｇｅ⁃ｓｃａｌｅ ｎｅｔｗｏｒｋ ｔｒａｆｆｉｃ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｏｎｌｉｎｅ ｌｅａｒｎｉｎｇ ＹＩ Ｌｅｉ，ＰＡＮ Ｚｈｉｓｏｎｇ，ＱＩＵＪｕｎｙａｎｇ，ＸＵＥＪｉａｏ，ＲＥＮ Ｈｕｉｆｅｎｇ （Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｃｏｍｍａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ，ＰＬＡ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ ２１０００７，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｆａｃｉｎｇ ｔｈｅ ｃｈａｌｌｅｎｇｅｓ ｏｆ ｌａｒｇｅ⁃ｓｃａｌｅ ｎｅｔｗｏｒｋ ｔｒａｆｆｉｃ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｐｒｏｂｌｅｍ， ｔｒａｄｉｔｉｏｎａｌ ｂａｔｃｈ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍｓ ｓｕｆｆｅｒ ｆｒｏｍ ｓｌｏｗ ｔｒａｉｎｉｎｇ ｐｒｏｃｅｓｓ ａｎｄ ｈｉｇｈ ｃｏｍｐｕｔａｔｉｏｎａｌ ｃｏｍｐｌｅｘｉｔｙ． Ｉｎ ｒｅｃｅｎｔ ｙｅａｒｓ，ｔｈｅ ｒａｐｉｄ ｄｅｖｅｌｏｐｉｎｇ ｏｎｌｉｎｅ ｌｅａｒｎｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ｉｓ ａｎ ｅｆｆｅｃｔｉｖｅ ｗａｙ ｔｏ ｓｏｌｖｅ ｌａｒｇｅ⁃ｓｃａｌｅ ｐｒｏｂｌｅｍｓ． Ｔｏ ａｄｄｒｅｓｓ ｔｈｅ ｉｓｓｕｅ ｏｆ ｌａｒｇｅ⁃ｓｃａｌｅ ｎｅｔｗｏｒｋ ｔｒａｆｆｉｃ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｐｒｏｂｌｅｍ ｏｎ ａ ｈｉｇｈ⁃ｓｐｅｅｄ ｂａｃｋｂｏｎｅ ｎｅｔｗｏｒｋ，ｗｅ ｐｒｏｐｏｓｅｄ ａ ｔｒａｆｆｉｃ ｃｌａｓｓｉｆｉ⁃ ｃａｔｉｏｎ ｓｃｈｅｍｅ ｂａｓｅｄ ｏｎ ｏｎｌｉｎｅ ｌｅａｒｎｉｎｇ ａｎｄ ａｐｐｌｉｅｄ ｅｉｇｈｔ ｏｎｌｉｎｅ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍｓ． Ｅｘｐｅｒｉｍｅｎｔｓ ｏｎ ｒｅａｌ ｎｅｔｗｏｒｋ ｔｒａｆｆｉｃ ｄａｔａ ｓｅｔｓ ｓｈｏｗｅｄｔｈａｔ ｉｎｔｈｅ ｃｌａｓｓｉ