科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对应用流量识别性能和准确率降低等问题，该文提出一种动态平衡自适应迁移学习的流量分类算法。首先将迁移学习引入到应用流量识别中，通过将源领域和目标领域的样本特征映射到高维特征空间中，使得源领域和目标领域的边缘分布与条件分布距离尽量小，提出使用概率模型来判断和计算域之间的边缘分布与条件分布的区别，利用概率模型对分类类别确认度的大小，定量来计算平衡因子μ，解决DDA中只考虑到分类错误率，没有考虑到确认度的问题。然后引入断崖式下跌策略动态确定特征主元的数量，将进行转换后的特征使用基础分类器进行训练，通过不断的迭代训练，将最终得到的分类器应用到最新的移动终端应用识别上，比传统机器学习方法的准确率平均提高了7%左右。最后针对特征维度较高的问题，引入逆向特征自删除策略，结合推土机距离(EMD)，使用信息增益权重推土机相关系数，提出了针对应用流量识别的特征选择算法，解决了部分特征对模型的分类无法起到任何的帮助，仅仅导致模型的训练时间增加，甚至由于无关特征的存在导致模型的性能和准确率降低等问题，将经过选择处理的特征集作为迁移学习的训练输入数据，使得迁移算法的时间缩短大约80%。
- 单位
