《表4 基于半监督集成的异常流量检测》

  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

Omar等人[25]提出了一种用于网络入侵检测和预防任务的半监督多层群集模型（Semi-supervised Multi-Layered Clustering M odel，SM LC），他们建立三个不同的分类器，然后使用部分标记的集群中的未标记实例来细化这三个分类器，最终的结果是通过三个基分类器的所有个体决策中的多数表决产生的．Khonde等人[52]使用五个分类器:随机森林，支持向量机，人工神经网络，决策树和K最近邻进行半监督学习．所有分类器根据获得的平均分数缩小特征，然后比较五个分类器生成的结果，并使用加权多数投票算法确定流量数据包的类别．Gao等人[53]提出了一种基于整体学习的基于模糊性的半监督学习方法（fuzziness-based semi-supervised learning approach via ensemble learning，FSSL-EL），首先构建了一个由标记数据训练的集成系统，然后采用基于模糊性的方法进行数据分析以更好地利用未标记的数据．表4列出了半监督集成不同类型方法的对比分析，其中Tri-training可以采用3个学习器综合预测，或者采用其中一个学习器进行预测，但是从该方法的训练过程和最初的设计想法，可以认为它是基于集成的半监督学习．