针对传统网络流量分类方法要求训练和测试数据分布一致、训练数据充足的假设在实际中难以满足的问题，引入迁移学习理论对其研究，提出从特征属性和样本域内相似性两个角度对网络流量数据优化，改进TrAdaBoost(boosting for transfer learning)算法的权重更新机制使其适应多分类任务，添加抑制因子解决源域权重转移现象。在数据集Moore上对该方法检验，结果表明，当目标样本量不足，该模型能根据相似性迁移，有效避免负迁移问题，相比其它流量分类模型具有更高的分类准确率。
科研之友
微信
新浪微博
Facebook
分享链接
