《表6 Moore_sets数据集的不同应用类别在初始训练集和在线测试集上的样本数量》
注:(0)、(1)~(6)中数字为对该应用类别的编号。
对比OSOINN-RBF算法在不同标记比例训练样本下的分类准确率,可以看出,训练初期样本数量较少时,标记比例越高,算法的分类准确率越高;由于OSOINN-RBF算法具有在线增量学习能力,当样本数量达到10 000左右时,分类性能基本持平,不再受样本标记比例影响。实验结果表明,OS-OINN-RBF算法在样本标记数量较少的情况下,通过在线学习依然可以取得很好的分类性能,这也降低了样本标记的成本,适合半监督学习算法的实现。3.2.3检测未知分类的能力为测试网络中出现新的流量类别时算法的分类性能,在Moore数据集选择部分样本数据组成Moore_sets数据集,设置初始数据集含有5种类型的应用类别,在线检测数据集中新增两种未知应用类别,数据集具体描述见表6。
图表编号 | XD00210426700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.10 |
作者 | 陈卓、吕娜、张彦晖、缪竞成 |
绘制单位 | 空军工程大学信息与导航学院、空军工程大学信息与导航学院、空军工程大学信息与导航学院、空军工程大学信息与导航学院 |
更多格式 | 高清、无水印(增值服务) |