基于半监督学习的应用流分类方法

柳斌; 李之棠; 涂浩

Chinese

您当前的位置：

首页 >

文章列表页 >

基于半监督学习的应用流分类方法

更新时间：2026-09-04

- 基于半监督学习的应用流分类方法
- A Semi-Supervised Clustering Method for Network Application Flow Classification
- 微电子学与计算机 2010年27卷第8期页码：24-26
- 作者机构：
  
  华中科技大学网络与计算中心,湖北,武汉,430074
- 作者简介：
- 基金信息：
  
  中央高校基本科研业务费专项资金(c2009m058)
- DOI：
  中图分类号：
- 纸质出版：2010
- 稿件说明：
移动端阅览
柳斌, 李之棠, 涂浩. 基于半监督学习的应用流分类方法[J]. 微电子学与计算机, 2010, 27(8): 24-26,30.

LIU Bin, LI Zhi-tang, TU Hao. A Semi-Supervised Clustering Method for Network Application Flow Classification[J]. 2010, 27(8): 24-26.
柳斌, 李之棠, 涂浩. 基于半监督学习的应用流分类方法[J]. 微电子学与计算机, 2010, 27(8): 24-26,30. DOI：

LIU Bin, LI Zhi-tang, TU Hao. A Semi-Supervised Clustering Method for Network Application Flow Classification[J]. 2010, 27(8): 24-26. DOI：

摘要

将半监督学习应用到应用流分类问题中

提出了一种基于半监督聚类的应用流分类算法(PSOSC).首先采用粒子群优化的K均值聚类方法对大量的无标记数据和少量的标记数据进行聚类

利用少量标记数据确定簇与应用类型的映射关系

实现应用流分类.实验表明PSOSC算法有较高的流准确率

同时

降低了对标记数据的需求.

Abstract

In this paper

a feature selection method based on entropy is proposed firstly. Five TCP connection features are selected for classifier. Then

a semi-supervised classification method that allows classifiers to be designed from training data consisting of only a few labelled and many unlabelled is proposed. The experiment shows that the detection results precedes on Kmeans method.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

用于入侵检测特征选择的改进灰狼优化算法

基于缺失特征的高维多标签学习

混沌和柯西变异的蝗虫优化算法及特征选择

基于改进烟花算法的SVM特征选择和参数优化

布谷鸟搜索算法优化特征和分类器参数的人体行为识别

相关机构

广西民族大学机构电子信息学院

广州科技职业技术大学信息工程学院

安徽大学计算机科学与技术学院

银川能源学院机构信息传媒学院

空军工程大学机构信息与导航学院

AI问答

地址：北京市丰台区顺八条1号院2号楼北阳晨光大厦2层邮编：100079
联系电话：（010）53879206 Email：tmw@bjxintong.com.cn
技术支持由北京北大方正电子有限公司提供京ICP备09082226号-64 京公网安备11010602201714号
本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies

⁰