《表2 基于半监督分类的异常流量检测》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《半监督异常流量检测研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

自训练半监督是早期利用无标记样本的原始框架，其训练效果较好，且实现简单．Wagh等人[36]提出半监督自学习模型，他们的结果证实使用原始标签数据的准确性进一步决定是否将新的未标签数据输入到下一个迭代中，是提高半监督学习性能的有效方法．基于分歧的半监督学习方法也称为协同训练，其使用具有不同学习算法的多个基本分类器来给未标记数据提供标注，然后选择未标记数据中置信度高的样本进行利用．Li等人[37]采用基于分歧的整体协同训练算法开发了一种实用的基于多视图的误报减少系统，通过共同训练，一个视图生成的分类器可以“教”从其他视图构建的其他分类器学习，反之亦然；并且通过共识训练，从多个角度进行的预测可以为未标记的数据提供更高的置信度．半监督支持向量机具有良好的泛化能力和稳定性，且适用于非线性数据集的建模．M ousavi等人[38]提出了一种新颖的拉普拉斯孪生支持向量机分类器在线版本，它可以利用嵌入在未标记数据中的边际分布的几何信息，在网络入侵检测中取得了理想效果．半监督分类关注度最高，相应的研究也非常多，更多基于半监督分类的异常流量检测方法如表2所示．