《表3 选取的分类特征:SDN环境下不同机器学习算法的网络流量分类分析》
虽然Moore数据集的每个样本都有248个特征,但其中有100多个特征是通过傅里叶变换得到的,再用于实时的网络流量分类,网络设备中待分类数目可能达到数十万条,若对所有的数据流进行傅里叶变换,对于硬件设备会是一个巨大的挑战.文献[18]指出,对网络流量进行统计后也可获得可靠性较好的特征,将端口号、有效负载、流量统计信息等特征结合可以获得更好的分类效果.为选取分类效果更好的机器学习算法,本文从Moore数据集中选取了5组分类特征,分别为端口号、数据包数量、数据包大小、时间相关特征和数据包信息标志位,具体内容如表3所示.
图表编号 | XD00182336900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.15 |
作者 | 王宣立、张安琳、黄道颖、董帅、刘江豪 |
绘制单位 | 郑州轻工业大学计算机与通信工程学院、郑州轻工业大学工程训练中心、郑州轻工业大学计算机与通信工程学院、郑州轻工业大学计算机与通信工程学院、郑州轻工业大学计算机与通信工程学院 |
更多格式 | 高清、无水印(增值服务) |