一种增量更新模型的新类检测方法

开集流识别网络流量分类是网络管理的重要组成部分。为了适应变化的网络环境,已有许多研究瞄准开集流识别,但这些方法不能以增量方式更新模型。针对这一问题,本文提出了一种增量更新级联结构,通过筛选的模拟新类,利用置信度阈值进行新类检测,采用分类器级联的方式逐步包含新出现的类;当级联分类器个数达到设定值时,重新训练多分类器,以此减少分类时间。使用真实数据集对所提方法进行验证,并与代表性文献方法进行对比。结果表明,在分类性能上,本文方法已知类F1和综合性能指标NA均能达到0.9以上;在时间性能上,分类时间和平均模型更新时间显著减少,均优于代表性文献方法,有利于实现快速在线新类检测与分类。

基于置信度与级联结构的未知网络流量检测

为了提升开集流识别性能,本文在对已知类和新类的置信度分布分析基础上,提出一种基于置信度信息与级联结构的未知网络流量检测方法。该方法通过级联结构,先将具有高置信度的新类样本检测出来;利用最大置信度差对新类和已知类进行分类;利用最大置信度对已知类进行细分类。为了更好地检测高置信度新类,还设计了从未标记数据筛选伪负样本的算法。实验表明,与现有代表性方法相比,本文方法的已知类F1提高约13%,新类F1提高约3%,总体准确率提高约5%,训练和分类耗时也明显少于现有方法。