在线多任务学习的骨干网网络流量分类研究

摘要 网络流量分类是机器学习与网络安全领域中的一个研究热点.针对高速骨干网上网络流量的高速性与演化特性，基于在线稀疏学习算法FTPRL，提出一种在线多任务特征选择学习算法-MT-FTPRL.使用了Per-Coordinate学习率，对每个特征的学习率分别考虑，与全局学习率相比更具优势；提出一个在线多任务学习的网络流量分类框架，通过多个网络流之间的信息共享，提取一组拥有良好判别能力的共同特征子集；在实验部分构造了一个基于真实的骨干网网络流量的MAWI数据集，并通过对比实验对提出的算法及分类框架进行验证.实验表明，算法有着满意的分类准确性和检测效率，且能在多个网络流中提取一组共同的特征子集，提高分类系统的鲁棒性，更适应网络流量动态演化的特点.