论文部分内容阅读
随着工业互联网的快速发展,工业互联网中的大多数流量被加密,且这些加密流量分布是不平衡的。对工业互联网中的类别不平衡加密流量进行识别,从而充分了解加密流量所包含的各种工业服务,对工业网络服务质量保障、工业网络规划与管理、工业网络安全具有十分重要的意义。本文针对类别不平衡加密流量识别问题进行研究,主要工作总结如下:
(1)对基于机器学习的加密流量识别方法进行研究,主要包括分类与回归树算法(Classification And Regression Tree,CART)、C4.5算法、随机森林算法(Random Forest,RF)三种加密流量识别算法,并把三种加密流量识别算法在两个类别不平衡加密流量数据集上进行实验。实验结果表明,对类别不平衡加密流量进行识别时,会存在少数类加密流量识别率较低的问题。如何提高类别不平衡加密流量识别中少数类加密流量的识别率,从而提高类别不平衡加密流量的整体识别率,这即是本文的研究内容。
(2)从特征选择层面出发,主要研究了信息增益算法、ReliefF算法在类别不平衡加密流量识别中的不足。针对类别不平衡加密流量识别问题,采用一种基于RF的多目标优化特征选择算法,该算法利用RF分类模型的AUC评估指标对特征子集进行评估,同时采用NSGA-Ⅱ算法优化最大化AUC评估指标和最小化特征子集维度两个目标函数,从而可以得到对类别不平衡加密流量识别最有利的最优特征子集。实验结果表明,基于RF的多目标优化特征选择算法能提高类别不平衡加密流量识别中少数类加密流量的识别率,从而提高类别不平衡加密流量的整体识别率。
(3)从算法层面出发,主要研究了Bagging集成学习模型、Boosting集成学习模型在类别不平衡加密流量识别中的不足。针对类别不平衡加密流量识别问题,采用一种AdaBoost.M1-RF集成学习模型融合算法,该算法采用RF学习器作为AdaBoost.M1算法的个体学习器来构建AdaBoost.M1-RF集成学习模型融合算法,可以充分吸取Bagging集成学习模型和Boosting集成学习模型的优势,从而很好地解决类别不平衡加密流量识别问题。实验结果表明,AdaBoost.M1-RF集成学习模型融合算法能提高类别不平衡加密流量识别中少数类加密流量的识别率,从而提高类别不平衡加密流量的整体识别率。
(1)对基于机器学习的加密流量识别方法进行研究,主要包括分类与回归树算法(Classification And Regression Tree,CART)、C4.5算法、随机森林算法(Random Forest,RF)三种加密流量识别算法,并把三种加密流量识别算法在两个类别不平衡加密流量数据集上进行实验。实验结果表明,对类别不平衡加密流量进行识别时,会存在少数类加密流量识别率较低的问题。如何提高类别不平衡加密流量识别中少数类加密流量的识别率,从而提高类别不平衡加密流量的整体识别率,这即是本文的研究内容。
(2)从特征选择层面出发,主要研究了信息增益算法、ReliefF算法在类别不平衡加密流量识别中的不足。针对类别不平衡加密流量识别问题,采用一种基于RF的多目标优化特征选择算法,该算法利用RF分类模型的AUC评估指标对特征子集进行评估,同时采用NSGA-Ⅱ算法优化最大化AUC评估指标和最小化特征子集维度两个目标函数,从而可以得到对类别不平衡加密流量识别最有利的最优特征子集。实验结果表明,基于RF的多目标优化特征选择算法能提高类别不平衡加密流量识别中少数类加密流量的识别率,从而提高类别不平衡加密流量的整体识别率。
(3)从算法层面出发,主要研究了Bagging集成学习模型、Boosting集成学习模型在类别不平衡加密流量识别中的不足。针对类别不平衡加密流量识别问题,采用一种AdaBoost.M1-RF集成学习模型融合算法,该算法采用RF学习器作为AdaBoost.M1算法的个体学习器来构建AdaBoost.M1-RF集成学习模型融合算法,可以充分吸取Bagging集成学习模型和Boosting集成学习模型的优势,从而很好地解决类别不平衡加密流量识别问题。实验结果表明,AdaBoost.M1-RF集成学习模型融合算法能提高类别不平衡加密流量识别中少数类加密流量的识别率,从而提高类别不平衡加密流量的整体识别率。