一种基于信息熵的级联式新类识别方法

针对传统机器学习在新类识别中存在分类精度较低和分类耗时较长的问题,提出了一种基于信息熵的级联式新类识别方法。利用随机森林的投票机制,计算并统计分析各样本的信息熵,作为新类检测的依据,识别已知类和候选新类样本;通过滤除候选新类中的异常流样本,提高分类准确率。实验表明:所提方法在南邮数据集和ISCX数据集的两个实际网络数据集上均能实现约95%的分类准确率,并且单个样本的分类时长仅需0.079 ms;分类精度和时间性能明显优于代表性文献方法。