裴 楊，王 勇＋，陶曉玲，李平紅

（1.桂林電子科技大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，廣西 桂林541004；2.桂林電子科技大學(xué)信息與通信學(xué)院，廣西 桂林541004）

0 引 言

網(wǎng)絡(luò)流量分類是實(shí)現(xiàn)網(wǎng)絡(luò)可控性的基礎(chǔ)技術(shù)，它能夠幫助網(wǎng)絡(luò)管理人員分析網(wǎng)絡(luò)中的流量分布，有效地對(duì)網(wǎng)絡(luò)狀況進(jìn)行監(jiān)控，使因特網(wǎng)服務(wù)提供商 （internet service provider，ISP）為網(wǎng)絡(luò)業(yè)務(wù)提供良好的服務(wù)質(zhì)量 （quality of service，QoS）保障。由于越來(lái)越多新型網(wǎng)絡(luò)應(yīng)用采用動(dòng)態(tài)端口、偽裝端口和應(yīng)用層凈荷加密等網(wǎng)絡(luò)技術(shù)，導(dǎo)致傳統(tǒng)的基于端口和特征字段的網(wǎng)絡(luò)流量分類方法失效［1］?；诹鹘y(tǒng)計(jì)特征的機(jī)器學(xué)習(xí)流量分類方法不依賴匹配協(xié)議端口或解析協(xié)議內(nèi)容識(shí)別網(wǎng)絡(luò)應(yīng)用，不受動(dòng)態(tài)端口、載荷加密、網(wǎng)絡(luò)地址轉(zhuǎn)換等網(wǎng)絡(luò)技術(shù)的影響［2］。與傳統(tǒng)網(wǎng)絡(luò)流量分類方法相比，其在分類性能、靈活性以及可擴(kuò)展性等方面的表現(xiàn)更好，基于流統(tǒng)計(jì)特征的機(jī)器學(xué)習(xí)方法已經(jīng)成為近年來(lái)研究的關(guān)注重點(diǎn)［3，4］。SVM算法具有良好的泛化能力，優(yōu)良的分類準(zhǔn)確率和穩(wěn)定性［5］。彭勃［6］對(duì)基于流統(tǒng)計(jì)特征的六種分類算法進(jìn)行比較，實(shí)驗(yàn)表明SVM算法具有較高的整體準(zhǔn)確率和較好的計(jì)算性能，適合用于網(wǎng)絡(luò)流量分類。許孟晉，張博鋒［7］研究了SVM網(wǎng)絡(luò)流量分類中分類效果和特征選擇對(duì)分類效果的影響，實(shí)驗(yàn)結(jié)果表明，SVM對(duì)網(wǎng)絡(luò)流量分類問(wèn)題具有較高分類精度和穩(wěn)定性，同時(shí)通過(guò)特征選擇可以節(jié)省計(jì)算開(kāi)銷，在一定程度上提高分類效果。但SVM算法在處理大樣本數(shù)據(jù)集時(shí)，計(jì)算復(fù)雜度高，訓(xùn)練速度慢。因此，許多研究學(xué)者針對(duì)SVM算法在大規(guī)模網(wǎng)絡(luò)流量分類中存在的問(wèn)題，提出了各自的改進(jìn)方法。

Ning Jing等人［8］提出一個(gè)基于SVM的多級(jí)網(wǎng)絡(luò)流量分類方法，組織多個(gè)二分類SVM形成一個(gè)淘汰賽結(jié)構(gòu)進(jìn)行分類，可極大地減少訓(xùn)練樣本數(shù)量，同時(shí)對(duì)每個(gè)SVM進(jìn)行單獨(dú)的特征選擇和參數(shù)選擇；與傳統(tǒng)方法相比，可減少7.65倍計(jì)算量，同時(shí)錯(cuò)誤率降低2.35倍，唯一的缺點(diǎn)在于分類器缺乏穩(wěn)定性。Xiang Li等人［9］提出一種基于半監(jiān)督SVM的網(wǎng)絡(luò)流量分類方法，采用一致性原則 （CBF）和信息增益原則 （IG）來(lái)選取流統(tǒng)計(jì)特征，實(shí)驗(yàn)證明半監(jiān)督SVM方法與傳統(tǒng)方法相比具有：①高分類精度；②高泛化性能；③快速的計(jì)算性能。邱婧等人［10］用SVM決策樹(shù)進(jìn)行網(wǎng)絡(luò)流量分類，利用SVM決策樹(shù)在多類分類方面的優(yōu)勢(shì)，解決SVM流量分類存在無(wú)法識(shí)別區(qū)域和訓(xùn)練時(shí)間較長(zhǎng)的問(wèn)題，實(shí)驗(yàn)表明SVM決策樹(shù)比普通SVM有更短的訓(xùn)練時(shí)間和更好的分類性能，準(zhǔn)確率達(dá)到98.8%。

以上研究學(xué)者的相關(guān)工作對(duì)SVM算法的時(shí)間消耗和準(zhǔn)確率進(jìn)行優(yōu)化改進(jìn)，但都沒(méi)有徹底解決計(jì)算性能瓶頸問(wèn)題。SVM算法的計(jì)算復(fù)雜度為O （n3），n為支持向量數(shù)量，其數(shù)量一般與樣本集大小相關(guān)［11］。隨著網(wǎng)絡(luò)應(yīng)用不斷增加和網(wǎng)絡(luò)速度不斷提高，采集到網(wǎng)絡(luò)流量樣本規(guī)模不斷增大，而單一節(jié)點(diǎn)的計(jì)算資源有限，面對(duì)大樣本數(shù)據(jù)集時(shí)，其計(jì)算復(fù)雜度和時(shí)間消耗也會(huì)成倍增長(zhǎng)，不能滿足實(shí)時(shí)分類的要求，在很大程度上限制了SVM算法的應(yīng)用。因此本文采用并行化方法，利用云計(jì)算平臺(tái)多節(jié)點(diǎn)可擴(kuò)展的強(qiáng)大計(jì)算能力，從根本上解決單一節(jié)點(diǎn)存在的計(jì)算資源不足的問(wèn)題，在保證分類準(zhǔn)確率的前提下，提高SVM算法在大樣本數(shù)據(jù)集下的訓(xùn)練速度，減少網(wǎng)絡(luò)流量分類的時(shí)間消耗。

1 基于SVM并行網(wǎng)絡(luò)流量分類

SVM對(duì)訓(xùn)練集進(jìn)行訓(xùn)練的過(guò)程實(shí)際上就是找出與最優(yōu)分類函數(shù)有關(guān)的支持向量，而支持向量在整個(gè)訓(xùn)練樣本集中所占的比例很小。利用這個(gè)特點(diǎn)，可以對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行分塊劃分為多個(gè)子訓(xùn)練數(shù)據(jù)集，對(duì)每個(gè)子訓(xùn)練數(shù)據(jù)集單獨(dú)進(jìn)行訓(xùn)練，再收集各個(gè)子訓(xùn)練數(shù)據(jù)集得到的支持向量集，最后通過(guò)進(jìn)一步的訓(xùn)練得到SVM分類模型。在這個(gè)過(guò)程中，多個(gè)子訓(xùn)練數(shù)據(jù)集的訓(xùn)練過(guò)程是獨(dú)立且可以并行的，采用云計(jì)算平臺(tái)對(duì)該訓(xùn)練過(guò)程進(jìn)行并行化處理，可以有效地提高訓(xùn)練速度，又不會(huì)顯著降低分類準(zhǔn)確率。

在訓(xùn)練數(shù)據(jù)集分塊劃分為多個(gè)子訓(xùn)練數(shù)據(jù)集的過(guò)程中，如果進(jìn)行隨機(jī)劃分，那么劃分出的子訓(xùn)練數(shù)據(jù)集樣本中可能只有很少的類別或者只有一個(gè)類別，在此情況下，子訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)就會(huì)損失一些支持向量或者得不到支持向量，這會(huì)極大地降低分類準(zhǔn)確率。為了避免這種極端情況的出現(xiàn)，在數(shù)據(jù)集分塊劃分時(shí)做一個(gè)預(yù)處理，對(duì)其按照類別比例隨機(jī)抽樣，再將抽取的樣本劃分給子訓(xùn)練數(shù)據(jù)集，這樣就保證每個(gè)子訓(xùn)練數(shù)據(jù)集中都存在一定數(shù)量的各個(gè)類別的樣本，在訓(xùn)練時(shí)盡量避免支持向量的損失，保證分類準(zhǔn)確率不會(huì)顯著降低。

1.1 并行網(wǎng)絡(luò)流量分類模型

采用云計(jì)算平臺(tái)Hadoop和MapReduce模型設(shè)計(jì)了一個(gè)兩層架構(gòu)的SVM并行網(wǎng)絡(luò)流量分類模型，如圖1所示。首先，將訓(xùn)練數(shù)據(jù)集上傳至Hadoop分布式文件系統(tǒng)（HDFS）中進(jìn)行預(yù)處理，按照前述的預(yù)處理過(guò)程抽取樣本并劃分成多個(gè)子訓(xùn)練數(shù)據(jù)集，即多個(gè)數(shù)據(jù)塊，在圖1中用數(shù)據(jù)塊1到數(shù)據(jù)塊n來(lái)表示。接著，創(chuàng)建第一層MapReduce任務(wù)，讀取數(shù)據(jù)塊內(nèi)容，將數(shù)據(jù)按行組織成鍵值 （key，value）對(duì)發(fā)給Map函數(shù)，Map函數(shù)負(fù)責(zé)將對(duì)應(yīng)數(shù)據(jù)塊進(jìn)行SVM訓(xùn)練，得到支持向量；Reduce函數(shù)將Map函數(shù)輸出的支持向量進(jìn)行合并等處理，再輸出支持向量集，第一層的MapReduce過(guò)程在圖1中用 MR′1到 MR′n來(lái)表示，MR′1到MR′n的SVM訓(xùn)練過(guò)程是相互獨(dú)立且并行執(zhí)行的。最后，創(chuàng)建第二層MapReduce任務(wù)MR′′1，Map函數(shù)將收集第一層的MapReduce過(guò)程中所有Reduce函數(shù)輸出的支持向量集，在圖1中用支持向量集1到支持向量集n來(lái)表示，對(duì)它們進(jìn)行合并等處理，轉(zhuǎn)發(fā)給Reduce函數(shù)；Reduce函數(shù)將經(jīng)過(guò)Map函數(shù)處理的支持向量集作為訓(xùn)練樣本進(jìn)行SVM訓(xùn)練，生成并輸出支持向量機(jī)分類模型用于分類。

圖1 基于SVM的并行網(wǎng)絡(luò)流量分類模型

1.2 方法步驟

根據(jù)提出的并行網(wǎng)絡(luò)流量分類模型，結(jié)合MapReduce模型的編程思想，就可以設(shè)計(jì)一個(gè)基于SVM的并行網(wǎng)絡(luò)流量分類方法，步驟如下：

（1）訓(xùn)練數(shù)據(jù)集上傳到HDFS進(jìn)行數(shù)據(jù)預(yù)處理，按照類別比例隨機(jī)抽樣，劃分成n個(gè)子訓(xùn)練數(shù)據(jù)集；

（2）創(chuàng)建n個(gè)第一層MapReduce任務(wù)。每個(gè)任務(wù)分配一個(gè)子訓(xùn)練數(shù)據(jù)集，作為Map函數(shù)的輸入；

（3）Map函數(shù)對(duì)輸入子訓(xùn)練數(shù)據(jù)集進(jìn)行SVM訓(xùn)練，Reduce函數(shù)將Map函數(shù)的輸出進(jìn)行合并等處理，并輸出支持向量集；

（4）再創(chuàng)建一個(gè)第二層 MapReduce任務(wù)，將 （3）中全部n個(gè)Reduce函數(shù)輸出的支持向量集作為Map函數(shù)的輸入，進(jìn)行匯總合并等處理；

（5）Map函數(shù)將處理好的支持向量集發(fā)給Reduce函數(shù)進(jìn)行SVM訓(xùn)練，輸出SVM分類模型；

（6）對(duì)得到的SVM分類模型，使用測(cè)試數(shù)據(jù)集進(jìn)行分類測(cè)試，得到分類結(jié)果。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集設(shè)置

本文中所使用的SVM算法來(lái)自于Weka機(jī)器學(xué)習(xí)庫(kù)中的SMO算法，并對(duì)其進(jìn)行了擴(kuò)展、配置和打包生成MapReduce作業(yè)，使其可在Hadoop云平臺(tái)上進(jìn)行實(shí)驗(yàn)。本實(shí)驗(yàn)所用Hadoop集群共有3個(gè)節(jié)點(diǎn)，將Hadoop配置為全分布模式，其中一個(gè)節(jié)點(diǎn)配置為主節(jié)點(diǎn)，其它兩個(gè)配置為從節(jié)點(diǎn)，集群的配置情況如表1和表2所列。

表1 Hadoop集群硬件配置情況

表2 Hadoop集群軟件配置情況

為了測(cè)試網(wǎng)絡(luò)流量分類的性能，本文采用網(wǎng)絡(luò)流量數(shù)據(jù)集Moore＿set，它是由劍橋大學(xué)計(jì)算機(jī)系Moore教授的流量分類實(shí)驗(yàn)室提供的10個(gè)網(wǎng)絡(luò)流量分類數(shù)據(jù)集組成，是目前網(wǎng)絡(luò)流量分類最為權(quán)威的測(cè)試數(shù)據(jù)集［12］。我們從Moore＿set中選取了Moore＿set1來(lái)進(jìn)行網(wǎng)絡(luò)流量分類實(shí)驗(yàn)，該數(shù)據(jù)集中的樣本是從真實(shí)的TCP雙向流中提取的，每條記錄包含248項(xiàng)流特征屬性，并在每條記錄的最后標(biāo)注了該樣本流量類型，分為12種不同應(yīng)用類型。Moore＿set1中樣本信息統(tǒng)計(jì)情況如表3所列。

表3 Moore＿set1樣本信息統(tǒng)計(jì)

由于Interactive項(xiàng)樣本數(shù)量過(guò)少，不具有代表性，因此將該類型樣本刪除掉，Games項(xiàng)在Moore＿set1中樣本數(shù)量為0，也將其去除，保留其余10項(xiàng)應(yīng)用，共24860條流量樣本，作為實(shí)驗(yàn)測(cè)試數(shù)據(jù)集Test＿set。

2.2 網(wǎng)絡(luò)流量分類時(shí)間性能的比較

并行SVM網(wǎng)絡(luò)流量分類方法和傳統(tǒng)的單機(jī)SVM方法的性能比較要從時(shí)間和精度兩方面進(jìn)行評(píng)估。首先進(jìn)行時(shí)間性能的比較實(shí)驗(yàn)，將Test＿set采用按類別比例隨機(jī)抽樣的方式，抽取一部分樣本數(shù)據(jù)組成訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，通過(guò)改變訓(xùn)練數(shù)據(jù)集樣本的數(shù)目，對(duì)單機(jī)SVM算法和并行SVM算法的訓(xùn)練時(shí)間進(jìn)行比較，所得到的實(shí)驗(yàn)結(jié)果如圖2所示。

圖2 單機(jī)SVM算法和并行SVM算法的訓(xùn)練時(shí)間

由圖2可知，并行SVM算法訓(xùn)練時(shí)間遠(yuǎn)小于單機(jī)SVM算法，當(dāng)訓(xùn)練樣本數(shù)量較少時(shí)，單機(jī)SVM算法的時(shí)間消耗并不多，但隨著樣本數(shù)量增加，單機(jī)SVM算法的時(shí)間消耗顯著地增加，與此同時(shí)并行SVM算法的時(shí)間消耗卻增加不多，兩者之間的時(shí)間消耗差距逐漸增大。這是因?yàn)楫?dāng)訓(xùn)練樣本數(shù)量較少時(shí)，得到的支持向量數(shù)量較少，計(jì)算復(fù)雜度較低，所以單機(jī)SVM算法和并行SVM算法的時(shí)間消耗差距并不大；但是當(dāng)訓(xùn)練樣本數(shù)量變多時(shí)，得到的支持向量數(shù)量也增加，計(jì)算復(fù)雜度大幅度提高，此時(shí)單機(jī)SVM算法由于計(jì)算性能所限，導(dǎo)致時(shí)間消耗顯著地增加，而并行SVM算法由多個(gè)節(jié)點(diǎn)并行處理計(jì)算任務(wù)，時(shí)間消耗增加就不多。

為了更精確地衡量并行SVM算法在時(shí)間性能上的提升，使用加速比r，即單機(jī)SVM算法運(yùn)行時(shí)間 （TSingleSVM）與并行SVM算法運(yùn)行時(shí)間 （TParallelSVM）的比值，來(lái)比較并行SVM算法相對(duì)單機(jī)SVM算法的時(shí)間效率

加速比曲線如圖3所示。

由圖3可知，隨著樣本數(shù)量的增加，加速比逐漸增大，這表明并行SVM算法相對(duì)單機(jī)SVM算法的時(shí)間消耗比例逐漸變小，在時(shí)間性能上的優(yōu)勢(shì)越明顯。因此，并行SVM網(wǎng)絡(luò)流量分類方法適合處理大規(guī)模網(wǎng)絡(luò)流量樣本，可以有效地加快訓(xùn)練速度，在較短的時(shí)間內(nèi)對(duì)網(wǎng)絡(luò)流量進(jìn)行分類。

圖3 加速比曲線

2.3 網(wǎng)絡(luò)流量分類精度的比較

接著對(duì)單機(jī)SVM算法和并行SVM算法進(jìn)行分類精度上的評(píng)估，為此要用合適的分類精度評(píng)價(jià)指標(biāo)來(lái)衡量網(wǎng)絡(luò)流量分類的效果，一次網(wǎng)絡(luò)流量分類能產(chǎn)生4種不同結(jié)果，如表4所列。

表4 網(wǎng)絡(luò)流量分類結(jié)果類型

基于表4所列的網(wǎng)絡(luò)流量分類結(jié)果類型，本文所使用的分類精度評(píng)價(jià)指標(biāo)如下：

（1）準(zhǔn)確率P：正確肯定流數(shù)量占正確肯定和錯(cuò)誤肯定流數(shù)量總和比例。即正確分類該類成員占分類為該類的全部成員的比例

（2）召回率R：正確肯定流數(shù)量占正確肯定和錯(cuò)誤否定流數(shù)量總和比例。即正確分類的該類成員占真正屬于該類的全部成員的比例

（3）F－Measure：在某些情況下，準(zhǔn)確率和召回率是矛盾的，所以需要根據(jù)二者的情況給出一個(gè)綜合評(píng)價(jià)指標(biāo)，即F－Measure。這里采用F1－Measure

將實(shí)驗(yàn)測(cè)試數(shù)據(jù)集Test＿set按類別比例隨機(jī)抽樣并分為三等份，選擇其中1／3作為訓(xùn)練數(shù)據(jù)集，其余作為測(cè)試數(shù)據(jù)集。首先使用訓(xùn)練數(shù)據(jù)集分別采用單機(jī)SVM算法和并行SVM算法進(jìn)行訓(xùn)練得到分類模型，再用該分類模型對(duì)測(cè)試數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)流量分類，得到單機(jī)SVM算法和并行SVM算法在每種應(yīng)用類型中的準(zhǔn)確率和召回率對(duì)比分別如圖4和圖5所示。

通過(guò)準(zhǔn)確率和召回率這兩種分類精度評(píng)價(jià)指標(biāo)的對(duì)比可以看出，有的應(yīng)用類型單機(jī)SVM分類算法精度高，有的應(yīng)用類型并行SVM分類算法精度高，在大部分情況下二者的分類精度都是接近的。

對(duì)分類精度結(jié)果進(jìn)行統(tǒng)計(jì)和總結(jié)，并用F1－Measure進(jìn)行綜合評(píng)價(jià)，兩種網(wǎng)絡(luò)流量分類方法整體上的分類精度結(jié)果如表5所列。從整體上看，并行SVM算法在分類精度上略低于單機(jī)SVM算法，但并無(wú)明顯降低。

表5 兩種網(wǎng)絡(luò)流量分類方法的分類精度

以上實(shí)驗(yàn)從時(shí)間性能和分類精度兩方面比較了單機(jī)SVM算法和并行SVM算法，由實(shí)驗(yàn)結(jié)果可知，并行SVM網(wǎng)絡(luò)流量分類方法有效地減少了訓(xùn)練時(shí)間，提高了網(wǎng)絡(luò)流量分類速度，適合處理大規(guī)模網(wǎng)絡(luò)流量樣本，雖然在分類精度上略低于單機(jī)SVM方法，但是仍然保持了較高的分類精度。

3 結(jié)束語(yǔ)

本文提出基于SVM的并行網(wǎng)絡(luò)流量分類模型，并通過(guò)云計(jì)算平臺(tái)Hadoop驗(yàn)證了其進(jìn)行網(wǎng)絡(luò)流量分類的性能，在保證了較高分類精度的前提下，有效地提高了SVM算法的訓(xùn)練速度，能應(yīng)用于大規(guī)模網(wǎng)絡(luò)流量分類。云計(jì)算的一個(gè)顯著優(yōu)點(diǎn)就是支持異構(gòu)的計(jì)算環(huán)境，能在大量具有不同處理能力普通計(jì)算機(jī)上實(shí)現(xiàn)高性能計(jì)算，然而當(dāng)前云計(jì)算平臺(tái)Hadoop在負(fù)載調(diào)度上僅實(shí)現(xiàn)了先進(jìn)先出和公平調(diào)度兩種算法，不能很好地滿足異構(gòu)云環(huán)境下負(fù)載均衡的要求。因此，未來(lái)我們將設(shè)計(jì)一個(gè)基于異構(gòu)云環(huán)境的負(fù)載調(diào)度算法，優(yōu)化云計(jì)算平臺(tái)處理網(wǎng)絡(luò)流量分類的性能。

［1］Este A，Gringoli f，Salgarelli L.Support vector machines for TCP traffic classification ［J］.Computer Networks，2009，53（14）：2476－2490.

［2］LIU Qiong，LIU Zhen，HUANG Min.Study on internet traffic classification using machine learning ［J］.Computer Science，2010，37 （12）：35－40 （in Chinese）.［劉瓊，劉珍，黃敏.基于機(jī)器學(xué)習(xí)的IP流量分類研究 ［J］.計(jì)算機(jī)科學(xué)，2010，37（12）：35－40.］

［3］Kim H，Claffy K，F(xiàn)omenkov M，et al.Internet traffic classification demystified：Myths，caveats，and the best practices［C］／／ACM CoNEXT Conference.Madrid：ACM，2008：1－12.

［4］Yuan R，Li Z，Guan X，et al.An SVM－based machine learning method for accurate internet traffic classification ［J］.Information Systems Frontiers，2008，10（2）：149－156.

［5］XU Peng，LIU Qiong，LIN Sen.Internet traffic classification using support vector machine ［J］.Journal of Computer Research and Development，2009，46 （3）：407－414 （in Chinese）.［徐鵬，劉瓊，林森.基于支持向量機(jī)的Internet流量分類研究 ［J］.計(jì)算機(jī)研究與發(fā)展，2009，46 （3）：407－414.］

［6］PENG Bo.Comparison research on the algorithms of network traffic classification ［J］.Computer ＆ Digital Engineering，2012，40 （5）：12－14 （in Chinese）. ［彭勃.網(wǎng)絡(luò)流量分類算法比較研究 ［J］.計(jì)算機(jī)數(shù)字與工程，2012，40 （5）：12－14.］

［7］XU Mengjin，ZHANG Bofeng.Classification of internet traffic based on machine learning ［J］.Journal of Computer Applications，2010，30 （1）：80－82 （in Chinese）.［許孟晉，張博鋒.基于機(jī)器學(xué)習(xí)的Internet流量分類 ［J］.計(jì)算機(jī)應(yīng)用，2010，30 （1）：80－82.］

［8］NING Jing，MING Yang，SHAO Yin，et al.An efficient SVM－based method for multi－class network traffic classification［C］／／Performance Computing and Communications Conference，IEEE 30th International.Chengdu：IEEE，2011：1－8.

［9］XIANG Li，F(xiàn)ENG Qi，DAN Xu，et al.An internet traffic classification method based on semi－supervised support vector machine［C］／／IEEE International Conference on Communications.Kyoto：IEEE，2011：1－5.

［10］QIU Jing，XIA Jingbo，BAI Jun.Network traffic classification using SVM decision tree ［J］.Electronics Optics ＆ Control，2012，19 （6）：13－16 （in Chinese）. ［邱婧，夏靖波，柏駿.基于SVM決策樹(shù)的網(wǎng)絡(luò)流量分類 ［J］.電光與控制，2012，19 （6）：13－16.］

［11］WANG Tao，CHENG Lianglun.Large－scale network traffic classification with fast support vector machine method ［J］.Application Research of Computers，2012，29 （6）：2301－2305（in Chinese）.［王濤，程良倫.基于快速SVM的大規(guī)模網(wǎng)絡(luò)流量分類方法 ［J］.計(jì)算機(jī)應(yīng)用研究，2012，29（6）：2301－2305.］

［12］Moore A W，Zuev D.Internet traffic classification using Bayesian analysis techniques［C］／／Proc of ACM International Conference on Measurement and Modeling of Computer Systems.Banff：ACM，2005：50－60.