检索结果-南通市图书馆

计算机研究与发展 2020年第12期57卷 2673-2682页

作者：程光钱德鑫郭建伟史海滨吴桦赵玉宇东南大学网络空间安全学院南京211189 教育部计算机网络和信息集成重点实验室(东南大学) 南京211189 江苏省计算机网络技术重点实验室(东南大学) 南京211189 华为技术有限公司西安研究所西安710075

网络流量特征分布的动态变化产生概念漂移问题,造成基于机器学习的网络流量分类模型精度下降.定期更新分类模型耗时且无法保证分类模型的泛化能力.基于此,提出一种基于散度的网络流概念漂移分类方法(ensemble classification based on d... 详细信息

网络流量特征分布的动态变化产生概念漂移问题,造成基于机器学习的网络流量分类模型精度下降.定期更新分类模型耗时且无法保证分类模型的泛化能力.基于此,提出一种基于散度的网络流概念漂移分类方法(ensemble classification based on divergence detection,ECDD),采用双层窗口机制,从信息熵的角度出发,根据流量特征分布的JS散度,记为JSD(Jensen-Shannon divergence)来度量滑动窗口内数据分布的差异,从而检测概念漂移.借鉴增量集成学习的思想,检测到漂移时对于新样本重新训练出新的分类器,之后通过分类器权值排序,保留性能较高的分类器,加权集成分类结果对样本进行分类.抓取常见的网络应用流量,根据应用特征分布的不同构建概念漂移数据集,将该方法与常见的概念漂移检测方法进行实验对比,实验结果表明:该方法可以有效地检测概念漂移和更新分类器,表现出较好的分类性能.

关键词：概念漂移机器学习 JS散度增量集成学习流量分类

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于信息熵的自适应网络流概念漂移分类方法

引用

计算机学报 2017年第7期40卷 1556-1571页

作者：潘吴斌程光郭晓军黄顺翔东南大学计算机科学与工程学院南京210096 计算机网络和信息集成教育部重点实验室(东南大学) 南京210096

由于网络流量特征随时间和网络环境的变化而发生改变,导致基于机器学习的流量分类方法精度明显降低.同时,根据经验定期更新分类器是耗时的,且难以保证新分类器泛化性能.因而,文中提出一种基于信息熵的自适应网络流概念漂移分类方法,首... 详细信息

由于网络流量特征随时间和网络环境的变化而发生改变,导致基于机器学习的流量分类方法精度明显降低.同时,根据经验定期更新分类器是耗时的,且难以保证新分类器泛化性能.因而,文中提出一种基于信息熵的自适应网络流概念漂移分类方法,首先根据特征属性的信息熵变化检测概念漂移,再采用增量集成学习策略在概念漂移点引入当前流量建立的分类器,并剔除性能下降的分类器,达到更新分类器的目的,最后加权集成分类结果.实验结果表明该方法可以有效地检测概念漂移并更新分类器,表现出较好的分类性能和泛化能力.

关键词：概念漂移机器学习信息熵检测增量集成学习流量分类

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

雾天视频图像增强与运动目标跟踪模型及方法

引用

计算机仿真 2013年第8期30卷 402-407,430页

作者：钟锦吴昊合肥师范学院计算机科学与技术系安徽合肥230601 合肥工业大学计算机与信息学院安徽合肥230009

关于视频图像多目标检测优化问题,针对雾天视频图像目标特征和背景不断地变化,雾天图像的退化程度跟场景深度成非线性关系的问题,提出用于准确完成雾天运动目标检测的实时背景建模框架的图像清晰化方法,并创建一种新的具有增量集成学习... 详细信息

关于视频图像多目标检测优化问题,针对雾天视频图像目标特征和背景不断地变化,雾天图像的退化程度跟场景深度成非线性关系的问题,提出用于准确完成雾天运动目标检测的实时背景建模框架的图像清晰化方法,并创建一种新的具有增量集成学习能力的目标跟踪计算模型和相应的方法,以适应跟踪过程中目标特征和背景的不断变化,构建一种具有增量学习能力的稳健的目标跟踪算法,改进方法有效地解决了雾天条件下运动目标跟踪的稳健性。

关键词：图像增强视觉计算增量集成学习目标跟踪

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

网络流概念漂移检测及分类方法研究

网络流概念漂移检测及分类方法研究

引用

作者：钱德鑫东南大学

学位级别：硕士

网络流特征分布会随着网络环境的变化而动态变化,产生概念漂移问题,造成基于流特征的机器学习网络流分类模型准确率下降。依据固定周期更新分类模型不但耗时且浪费大量资源,因此及时准确地检测到概念漂移从而更新分类模型至关重要。当... 详细信息

网络流特征分布会随着网络环境的变化而动态变化,产生概念漂移问题,造成基于流特征的机器学习网络流分类模型准确率下降。依据固定周期更新分类模型不但耗时且浪费大量资源,因此及时准确地检测到概念漂移从而更新分类模型至关重要。当前主要通过分类准确率下降来检测概念漂移,然而统计分类准确率需要标记样本,花费许多时间和资源。检测到概念漂移时,若仅在检测到的漂移样本上重新训练分类模型会遗失之前的知识;若把所有时期的流量样本结合起来共同训练分类模型则会对模型的性能造成较大的影响。因此,如何有效地检测概念漂移并建立合理有效的网络流量分类模型具有重要的意义。针对以上问题,本文引入信息论和增量集成学习思想,提出了一种新的网络流概念漂移检测及分类方法,主要包括以下几点研究内容:(1)提出了基于JS散度的网络流概念漂移检测方法。该方法主动对网络流量中概念漂移进行检测,采用双层滑动窗口的方式跟踪概念漂移,根据流量特征分布的JS散度,记为JSD(Jensen-Shannon Divergence)来度量滑动窗口内数据分布的差异,从而对网络流中的漂移现象进行检测。该方法在检测漂移时无需使用样本的标签,实验结果表明,本文提出的基于JS散度的漂移检测方法可以准确地检测到网络流中的概念漂移,具有较低的误报率和漏报率。(2)提出了基于增量集成学习的网络流概念漂移分类方法。该方法引入集成学习的思想,首先训练若干个基分类器,依据各个基分类器的分类准确率赋予其对应权重,构建出加权集成流量分类模型,加权集成各个基分类器对待检测样本进行分类。使用本文提出的基于散度的漂移检测方法进行持续的漂移检测,当检测到概念漂移时,在漂移样本上重新训练新的分类器,然后根据分类器权值排序,保存性能较好的分类器并去除性能较差的分类器。该方法在概念漂移处采用权值比较的方式进行分类模型的更新,既保留了历史知识,又无需将所有时期的样本结合。实验结果表明,本文提出的基于增量集成学习的概念漂移分类方法拥有较好的分类性能。(3)基于以上方法设计并实现了能够展示网络流概念漂移检测及分类方法各项性能的原型系统。设计了原型系统的整体框架,从加权集成分类器构建、网络流概念漂移检测、分类器增量更新、用户界面展示等方面描述了原型系统的设计与实现。系统提供人性化的操作界面,使用者可以配置集成分类器各项参数、概念漂移检测各项参数等,同时还能将漂移检测结果、流量分类结果等存储成指定文件,用于后续分析,系统有着较强的实用性。

关键词：概念漂移机器学习 JS散度增量集成学习流量分类

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：