分类不平衡协议流的机器学习算法评估与比较

网络协议流不平衡环境下,流样本分布的变化对基于机器学习的流量分类器准确性及稳定性有较大的影响.选择合适的机器学习算法以适应网络协议流不平衡环境下的在线流量分类,显得格外重要.为此,首先通过单因子实验设计,验证了c4.5决策树、贝叶斯核估计(nbk)和支持向量机(svm)这3种分类算法统计tcp连接开始的前4个数据包足以分类流量.接着,比较了上述3种分类算法的性能,发现c4.5决策树的测试时间最短,svm分类算法最稳定.然后,将bagging算法应用到流量分类中.实验结果表明,bagging分类算法的稳定性与svm相似,且测试时间与建模时间接近于c4.5决策树,因此更适于在线分类流量.