《表2 CICIDS 2017流量类型分布(1)》

  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

《基于改进深度卷积神经网络的网络流量分类方法》

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

本文LCNN模型是一种基于监督学习的分类模型，要求数据集自带标签.本文使用3种带标签数据集对模型实施性能测评.流量分类目前面临着类不平衡、概念漂移、最优特征子集提取和过拟合方面的问题.为了应对类的不平衡，本文对数据重采样，即通过随机采样样本，平衡训练样本集中大类和小类之间的样本数量差距.所以我们对CICIDS 2017数据集的每个子文件进行训练，得到最优的训练模型，然后合并这些子文件，随机抽样280万条进行模型评估.为了验证算法的性能，随机两次提取数据集，每一次提取的结果如表2和3所示.表2和3对训练集和测试集的划分方法采用了简单交叉验证，即:70%的训练数据和30%的测试数据.在对KDD数据集的选择过程中也采用类似的方法.