陳幸如， 魏書寧

(湖南師范大學(xué) 信息科學(xué)與工程學(xué)院,湖南 長沙 410081)

近代社會，由于科技的迅速發(fā)展，互聯(lián)網(wǎng)的使用越來越普遍，使用范圍越來越廣，隨著互聯(lián)網(wǎng)的普及，大數(shù)據(jù)的云分布式處理技術(shù)成熟地發(fā)展，網(wǎng)絡(luò)應(yīng)用多元化已成為趨勢。網(wǎng)絡(luò)流量激增并且呈現(xiàn)多樣化給網(wǎng)絡(luò)管理帶來挑戰(zhàn)和壓力，提高了網(wǎng)絡(luò)流量管理的難度。網(wǎng)絡(luò)流量分類在維持網(wǎng)絡(luò)高效運(yùn)行、預(yù)測網(wǎng)絡(luò)服務(wù)類型和維護(hù)網(wǎng)絡(luò)安全等許多方面發(fā)揮著越來越重要的作用。在TCP/IP協(xié)議中，端口號是應(yīng)用程序識別通信的服務(wù)器和客戶端的手段。源端口和目的端口皆為十六位的非負(fù)整數(shù)，它的范圍是1至65535。一個客戶端想要與服務(wù)器進(jìn)行通信，需要一個端口號用來發(fā)送服務(wù)請求從服務(wù)器獲得所需服務(wù)。根據(jù)LANA定制的知名端口號和注冊端口號列表，LANA管理局規(guī)定的通信機(jī)制進(jìn)行網(wǎng)絡(luò)流量識別是基于端口網(wǎng)絡(luò)流量識別技術(shù)的本質(zhì)。傳統(tǒng)的基于端口號以及網(wǎng)絡(luò)載荷[1]的網(wǎng)絡(luò)流量分析有其自身局限性和許多不可靠的因素，例如流行的P2P等新型網(wǎng)絡(luò)應(yīng)用利用隨機(jī)，動態(tài)端口進(jìn)行通信；還有一些采用隧道協(xié)議封裝技術(shù)的應(yīng)用。這些措施使得傳統(tǒng)的網(wǎng)絡(luò)流量分類方法失靈。不斷更新發(fā)展的網(wǎng)絡(luò)應(yīng)用使利用端口進(jìn)行網(wǎng)絡(luò)流量分類技術(shù)的短板逐漸暴露。為了克服這些不足，已經(jīng)應(yīng)用在眾多領(lǐng)域的機(jī)器學(xué)習(xí)方法引起了眾人的關(guān)注[2][3][4]，機(jī)器學(xué)習(xí)[5][6]不依賴于端口號匹配和協(xié)議的解析，利用流特征對網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行分類[7]。目前，基于網(wǎng)絡(luò)流量統(tǒng)計(jì)特征的識別方法是一種新興的網(wǎng)絡(luò)流量分類方法，利用數(shù)據(jù)挖掘中機(jī)器學(xué)習(xí)算法，提取不同網(wǎng)絡(luò)協(xié)議的統(tǒng)計(jì)特征，通過分類算法來訓(xùn)練網(wǎng)絡(luò)流量分類模型。這種方法可以隨著網(wǎng)絡(luò)應(yīng)用的更新重新訓(xùn)練新的分類模型。本文采用新加坡南洋理工大學(xué)黃廣斌教授等人在2006年研究出的超限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)算法，在基于ELM算法上探究網(wǎng)絡(luò)流量分類，并對網(wǎng)絡(luò)流量做出可視化數(shù)據(jù)分析。

1 基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流量分類

1.1 ELM算法理論

神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督機(jī)器學(xué)習(xí)，基于已標(biāo)注類型的樣本集進(jìn)行機(jī)器學(xué)習(xí)并建立分類規(guī)則，將未知數(shù)據(jù)分類成已知的類型。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法有著各自的缺點(diǎn)，比如：訓(xùn)練速度慢、網(wǎng)絡(luò)更新迭代計(jì)算中容易陷入局部極小點(diǎn)、學(xué)習(xí)率敏感等。訓(xùn)練網(wǎng)絡(luò)要想獲得較好的性能，需要探索出一種訓(xùn)練快速、能達(dá)到全局最優(yōu)解、具有良好泛化性的訓(xùn)練算法，這些性能目標(biāo)也是現(xiàn)階段研究的熱點(diǎn)與難點(diǎn)。

超限學(xué)習(xí)機(jī)(ELM)算法是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFNs)。ELM算法與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)不同點(diǎn)在于ELM算法的輸入層與隱含層的連接權(quán)值w和隱含層神經(jīng)元的閾值b都是隨機(jī)產(chǎn)生的，由于后期訓(xùn)練中無需更新w和b，這個網(wǎng)絡(luò)中無需設(shè)定過多的參數(shù)，只要確定了隱含層節(jié)點(diǎn)數(shù)便可獲得唯一最優(yōu)解。ELM的理論如下：

假設(shè)SLFNs有L個隱含層節(jié)點(diǎn)，對于輸入向量x，SLFNs的輸出可以由(1)式表示。其中，Gi是第i層隱含層節(jié)點(diǎn)激活函數(shù)，ai是連接輸入層與第i層隱含層節(jié)點(diǎn)的輸入權(quán)值向量，bi是第i層隱含層的偏置，βi是輸出權(quán)值。

(1)

對于激活函數(shù)g的附加節(jié)點(diǎn)，Gi定義為(2)式：

Gi(x,ai,bi)=g(bi+ai·x)

(2)

對于具有激活函數(shù)g的徑向基函數(shù)節(jié)點(diǎn)，Gi定義為(3)式：

Gi(x,ai,bi)=g(bi‖x-ai‖)

(3)

黃廣斌等人[8]已經(jīng)證明了SLFNs可以逼近任意隨機(jī)初始化自適應(yīng)或者徑向基函數(shù)節(jié)點(diǎn)的x∈Rd子集上的連續(xù)目標(biāo)函數(shù)，隨機(jī)生成的網(wǎng)絡(luò)以最小均方得到的輸出能夠保持泛化逼近能力，甚至沒有隱含層參數(shù)的更新。除此之外，ELM解決正則化最小二乘問題比標(biāo)準(zhǔn)支持向量機(jī)下解決二次規(guī)劃問題或者梯度方法更快[8][9]。基于這種理論，ELM以快速學(xué)習(xí)而建立。從學(xué)習(xí)的角度來看，不同于傳統(tǒng)學(xué)習(xí)算法，ELM理論旨在不僅達(dá)到最小訓(xùn)練錯誤而且達(dá)到最小規(guī)范化輸出權(quán)值。

ELM算法不僅擁有良好的泛化性能，并且還具有通用逼近以及分類能力。相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法，ELM不需要設(shè)置學(xué)習(xí)率，得到的輸出權(quán)值是全局最優(yōu)解，不會陷入局部最小值中且計(jì)算量小、訓(xùn)練速度快。這些優(yōu)點(diǎn)是ELM算法被廣泛地應(yīng)用于模式識別、人機(jī)交互、疾病診斷、衛(wèi)星圖像實(shí)時遠(yuǎn)程遙感和網(wǎng)絡(luò)安全等領(lǐng)域的原因。

1.2 H-ELM框架

H-ELM(Hierarchical ELM)是一種建立在多層方式上的算法，在隨機(jī)特征映射和充分利用ELM的泛化逼近能力的基礎(chǔ)上發(fā)展。如圖1所示，可以看到H-ELM訓(xùn)練框架在結(jié)構(gòu)上可以分為2個獨(dú)立階段：無監(jiān)督分層特征表示和監(jiān)督特征分類。在前一階段，是用于提取輸入數(shù)據(jù)多層稀疏特征的基于自編碼的ELM。后一階段原始分類ELM用于最終決策。

圖1 H-ELM結(jié)構(gòu)框架

輸入的原始數(shù)據(jù)被轉(zhuǎn)換至ELM隨機(jī)特征空間，每一個隱含層輸出可以表示為

Hi=g(Hi-1·β)

(4)

其中Hi是i層的輸出，Hi-1是第i-1層的輸出，g是隱含層激活函數(shù)，β是輸出權(quán)值。H-ELM的每一層都是一個獨(dú)立的模塊，每一層的功能相當(dāng)于功能提取器，隨著層數(shù)的增加，特征會更加緊湊。一旦前一隱含層的特征被提取，本層的權(quán)值和參數(shù)被固定。

1.3 基于流統(tǒng)計(jì)特征的ELM流量分類

已知數(shù)據(jù)中網(wǎng)絡(luò)流數(shù)據(jù)集合F={F1,F2,…,Fn}，網(wǎng)絡(luò)流的類型集合T={T1,T2,…,Ti}，利用pandas整理的一個n×(i+1)的.csv文件作為輸入分類器的樣本數(shù)據(jù)。其中，n為網(wǎng)絡(luò)流數(shù)目，i為流屬性數(shù)目。根據(jù)統(tǒng)計(jì)的流特征，利用已知的網(wǎng)路流類型集合去訓(xùn)練ELM分類模型；選取適應(yīng)ELM分類模型需求的流特征作為輸入繼而擁有更加精確快速的預(yù)測輸出是流統(tǒng)計(jì)特征這一工作的意義。

分類實(shí)驗(yàn)中，流量在通信過程中展現(xiàn)出的網(wǎng)絡(luò)流按照五元組進(jìn)行定義:源IP、目的IP、源端口、目的端口和傳輸文件長度，分類算法執(zhí)行步驟概括如下：

(1)輸入訓(xùn)練樣本,樣本個數(shù)為Q，設(shè)置隱含層節(jié)點(diǎn)數(shù)L，選擇激活函數(shù)g(x)為sigmoidal函數(shù)。

(2)隨機(jī)生成權(quán)值w和閾值b。

(3)計(jì)算隱含層輸出矩陣H：

(4)獲得隱含層與輸出層間的連接權(quán)值β。

圖2 基于ELM流量分類訓(xùn)練過程

流量分類過程可以概括為圖2所示。先對數(shù)據(jù)集提取網(wǎng)絡(luò)流量統(tǒng)計(jì)特征，如果訓(xùn)練集數(shù)目過大則需要進(jìn)行抽樣處理以減少訓(xùn)練時間，降低訓(xùn)練復(fù)雜度。

2 數(shù)據(jù)可視化

繪圖是數(shù)據(jù)分析工作中的最重要任務(wù)之一，是探索過程中的一部分。數(shù)據(jù)可視化旨在清楚明了地提供信息，通過圖形化手段將復(fù)雜的數(shù)據(jù)模型表達(dá)出來，將數(shù)據(jù)的屬性從各個維度觀察和分析，直觀地表示出數(shù)據(jù)，使數(shù)據(jù)中的規(guī)律可以被洞悉。數(shù)據(jù)可視化是一個新術(shù)語:它傳達(dá)出的含義不僅僅是用圖表的形式展示數(shù)據(jù)，更多的是數(shù)據(jù)背后的信息被揭示，圖表的本身應(yīng)該幫助人們看到數(shù)據(jù)結(jié)構(gòu)。

目前，開源的編程工具例如：R語言、D3.js、Tableau和python的各種工具類庫等使得數(shù)據(jù)可視化由單一的表示形式演變?yōu)閿?shù)據(jù)運(yùn)算與圖表的融合。

3 實(shí)驗(yàn)方案及結(jié)論

3.1 實(shí)驗(yàn)數(shù)據(jù)及環(huán)境

本文采用的是CHINAVIS提供的BigBusiness公司的骨干通信鏈路上抓取的數(shù)據(jù)包。該數(shù)據(jù)集包含了數(shù)據(jù)鏈路層、網(wǎng)絡(luò)層和應(yīng)用層的相關(guān)信息，數(shù)據(jù)共有2626937條，與只關(guān)注網(wǎng)絡(luò)層活動的傳統(tǒng)tcpflow數(shù)據(jù)不同的是此網(wǎng)絡(luò)監(jiān)控日志更加豐富全面，可以更好地、多層次多角度反應(yīng)數(shù)據(jù)在網(wǎng)絡(luò)中的流動過程。

在IP網(wǎng)絡(luò)，應(yīng)用層負(fù)責(zé)將需要傳輸?shù)臄?shù)據(jù)拆分為一個或多個數(shù)據(jù)包，應(yīng)用層的數(shù)據(jù)項(xiàng)有：ID(記錄序號)、IPSMALLTYPE(IP業(yè)務(wù)類型，主要是TCP和UDP)，F(xiàn)ILELEN(本次網(wǎng)絡(luò)連接傳輸數(shù)據(jù)的總長度)、FILEAFFIX(本次網(wǎng)絡(luò)連接傳輸文件類型)和ISCRACKED(數(shù)據(jù)是否損壞)共計(jì)5個維度。網(wǎng)絡(luò)層負(fù)責(zé)建立源地址和目的地址之間的邏輯連接，網(wǎng)絡(luò)層的數(shù)據(jù)項(xiàng)有：STARTTIME(開始時間)、SRCIP(源地址)、DSTIP(目的地址)、SCRPORT(源端口)和DSTPORT(目的端口)共計(jì)5個維度。數(shù)據(jù)鏈路層負(fù)責(zé)為邏輯鏈接建立傳輸通道，數(shù)據(jù)鏈路層的數(shù)據(jù)項(xiàng)包括：VPL1，VPL2和ATMAAL1TYPE。VPL1和VPL2是虛擬管道的標(biāo)識，ATMAAL1TYPE是這個虛擬線路中傳輸數(shù)據(jù)的屬性。

由于數(shù)據(jù)集中存在有少量缺失值數(shù)據(jù)，實(shí)驗(yàn)首先對網(wǎng)絡(luò)流量進(jìn)行了數(shù)據(jù)清洗。數(shù)據(jù)清洗完成后對數(shù)據(jù)進(jìn)行了數(shù)據(jù)集成，將多個數(shù)據(jù)源合并存放在一個一致的數(shù)據(jù)存儲中。同時進(jìn)行的是數(shù)據(jù)轉(zhuǎn)換和規(guī)約。數(shù)據(jù)轉(zhuǎn)換主要是對原始數(shù)據(jù)進(jìn)行規(guī)范化處理，將數(shù)據(jù)轉(zhuǎn)換成適當(dāng)?shù)男问揭赃m應(yīng)于數(shù)據(jù)挖掘和ELM算法的需要。數(shù)據(jù)規(guī)范化即歸一化處理數(shù)據(jù)，不同指標(biāo)往往具有不同量綱，數(shù)值之間差別可能很大，而這些會影響數(shù)據(jù)分析的結(jié)果。

實(shí)驗(yàn)中，網(wǎng)絡(luò)流量數(shù)據(jù)的特征統(tǒng)計(jì)、繪圖等數(shù)據(jù)分析方面的工作使用的是Python2.7.13，涉及的模塊有：numpy，pandas，seaborn，matplotlib等；使用MATLAB R2014b做基于ELM算法的網(wǎng)絡(luò)流量分類工作。

3.2 實(shí)驗(yàn)設(shè)計(jì)和可視化

根據(jù)不同的目的選擇不同的特征作為分類依據(jù)，為了使實(shí)驗(yàn)更具有針對性，選擇合適的網(wǎng)絡(luò)流量特征是極為重要的。如表1所示，從不同角度分析數(shù)據(jù)，實(shí)驗(yàn)中可以統(tǒng)計(jì)的特征有很多，基于BigBusiness兩個月的網(wǎng)絡(luò)監(jiān)控日志數(shù)據(jù)，對內(nèi)部網(wǎng)絡(luò)的通信進(jìn)行分析，本實(shí)驗(yàn)選取了以下4種網(wǎng)絡(luò)流量特征對服務(wù)器進(jìn)行篩選：

1.主機(jī)通信頻率

2.主機(jī)傳輸文件長度

3.協(xié)議類型

4.傳輸文件類型

為了找出BigBusiness內(nèi)部網(wǎng)絡(luò)的服務(wù)器，對選取的網(wǎng)絡(luò)流量特征使用python中pandas模塊的Series和DataFrame進(jìn)行切片處理，合并、統(tǒng)計(jì)整理好作為超限學(xué)習(xí)機(jī)算法的訓(xùn)練集和測試集。作為ELM算法的輸入，訓(xùn)練集和測試集共有7個維度：標(biāo)簽、源IP地址主機(jī)通信頻率、目的IP地址主機(jī)通信頻率、主機(jī)發(fā)送數(shù)據(jù)的長度、主機(jī)接收數(shù)據(jù)的長度、協(xié)議類型代號和傳輸文件類型代號。

表1 網(wǎng)絡(luò)流量特征統(tǒng)計(jì)

3.2.1 基于ELM算法的分類實(shí)驗(yàn) 經(jīng)過ELM網(wǎng)絡(luò)訓(xùn)練、分類、測試，實(shí)驗(yàn)中本文在設(shè)置隱含層節(jié)點(diǎn)數(shù)時，以10作為起始數(shù)，共做了10次實(shí)驗(yàn)，輸出為ELM訓(xùn)練的時間和分類的精度。輸出結(jié)果如圖3所示。

圖3 ELM分類器的輸出結(jié)果圖

由實(shí)驗(yàn)結(jié)果可知，超限學(xué)習(xí)機(jī)這種算法訓(xùn)練時間短，訓(xùn)練速度十分快且它的精度非常高。隨著隱含層節(jié)點(diǎn)數(shù)的增加，訓(xùn)練時間會少許變長，然而并不是隱含層節(jié)點(diǎn)數(shù)越多時，ELM的精度越高，在針對本次實(shí)驗(yàn)的兩種網(wǎng)絡(luò)流量特征的分類上，當(dāng)節(jié)點(diǎn)數(shù)為50時，精度達(dá)到最高為94.01%且由圖3可知，其訓(xùn)練時間也是處于最低點(diǎn)處的。這些優(yōu)勢證明了ELM算法可以很好地應(yīng)用于網(wǎng)絡(luò)流量的分類。

3.2.2 基于H-ELM算法的分類實(shí)驗(yàn) 在實(shí)驗(yàn)中，主要是超參數(shù)的選擇，參數(shù)C是為了正則最小均方計(jì)算，參數(shù)L是隱含層節(jié)點(diǎn)數(shù)。對于兩個參數(shù)的選擇，C值的選擇需要謹(jǐn)慎，L值應(yīng)該選取得足夠大。一方面，隨著L值的增長，一個合適的C值使測試精度曲線更加平緩。如圖4所示。另一方面，不同的L值對于測試精度的影響并不大。如圖5所示。

圖4 H-ELM參數(shù)的選擇對測試精度的影響

圖5 隱含層節(jié)點(diǎn)數(shù)對測試精度的影響

3.2.3 基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法的分類實(shí)驗(yàn) 徐鵬等人[10]提出的基于支持向量機(jī)的流量分類方法中，利用非線性變換將流量分類問題轉(zhuǎn)換為二次尋優(yōu)問題。基于支持向量機(jī)的流量分類方法不依賴于樣本空間分布，穩(wěn)定性強(qiáng)。但是，此方法用的數(shù)據(jù)集流特征過多，流特征過多會導(dǎo)致計(jì)算復(fù)雜度增加，在實(shí)際應(yīng)用中有過多的計(jì)算負(fù)荷。李平紅等人[11]提出一種基于支持向量機(jī)的半監(jiān)督網(wǎng)絡(luò)流量分類方法，此方法引入增量式學(xué)習(xí)，使學(xué)習(xí)精度隨著新樣本的增加而提高；引入半監(jiān)督學(xué)習(xí)[12]降低人工標(biāo)記樣本的錯誤率和成本。然而，此方法訓(xùn)練時間長。SVM方法在網(wǎng)絡(luò)流量大規(guī)模樣本分類實(shí)際應(yīng)用上體現(xiàn)了其建模時間長，訓(xùn)練時間成本高的缺陷。

為了更好地與ELM分類器進(jìn)行對比，本文將網(wǎng)絡(luò)流量數(shù)據(jù)輸入傳統(tǒng)BP(Back propagation)神經(jīng)網(wǎng)絡(luò)算法中，利用BP神經(jīng)網(wǎng)絡(luò)算法對同樣的網(wǎng)絡(luò)流量進(jìn)行分類實(shí)驗(yàn)；在同等條件下將數(shù)據(jù)輸入SVM算法中，對比實(shí)驗(yàn)結(jié)果如表2所示。

由對比實(shí)驗(yàn)結(jié)果可知，ELM算法在分類實(shí)驗(yàn)中展現(xiàn)了其建模時間短、訓(xùn)練速度快且分類精度高的優(yōu)勢。對于傳統(tǒng)的機(jī)器學(xué)習(xí)算法，例如BP神經(jīng)網(wǎng)絡(luò)和SVM，雖然SVM算法的分類精度很高，但其建模和訓(xùn)練的時間消耗是巨大的；而對于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法來說，它的缺點(diǎn)是非常明顯的，實(shí)驗(yàn)結(jié)果顯示：BP神經(jīng)網(wǎng)絡(luò)算法作為分類器的算法表現(xiàn)出建模時間長、訓(xùn)練速度慢且分類精度較低。不適用于大規(guī)模網(wǎng)絡(luò)流量數(shù)據(jù)的分類和實(shí)際應(yīng)用。

表2 ELM算法與其他傳統(tǒng)學(xué)習(xí)算法的對比試驗(yàn)結(jié)果

3.2.4 可視化分析 由基于ELM算法分類后的結(jié)果，實(shí)驗(yàn)找到了數(shù)據(jù)集中的服務(wù)器。本文利用可視化來展示ELM算法分類后的主機(jī)網(wǎng)絡(luò)流量特征:

(1)從主機(jī)的度的角度來看，選取了前50個服務(wù)器的出度和入度如圖6和圖7所示，坐標(biāo)軸橫軸為度，縱軸是服務(wù)器IP地址。從圖6和圖7可以看出有的服務(wù)器的出入度相差不大，但有的服務(wù)器出入度相差很多。

圖6 服務(wù)器出度

圖7 服務(wù)器入度

(2)從主機(jī)的傳輸—接收流量大小的角度來看，根據(jù)樣本中的167個服務(wù)器繪出線型圖如圖8所示，坐標(biāo)軸橫軸為主機(jī)序號，縱軸為傳輸流量大小。實(shí)線表示發(fā)出的流量，虛線表示接受的流量。由圖8可以看出大部分服務(wù)器發(fā)出的流量和接收的流量大小持平，只有少數(shù)提供特定服務(wù)的主機(jī)發(fā)出的流量和接收的流量大小相差較大。

4 結(jié) 語

圖8 主機(jī)傳輸—接收流量線型圖

本文針對內(nèi)網(wǎng)服務(wù)器識別分類問題提出的基于ELM的網(wǎng)絡(luò)流量分類方法，無論是在訓(xùn)練時間還是分類精度方面都有良好的表現(xiàn)。通過對原始流量數(shù)據(jù)分析選擇ElM分類模型，根據(jù)分類后的仿真結(jié)果對數(shù)據(jù)進(jìn)行了可視化繪圖從而進(jìn)一步地了解ELM算法對網(wǎng)絡(luò)流量數(shù)據(jù)分類的效果。最終的實(shí)驗(yàn)結(jié)果表明ELM算法可以取得較好的分類效果，可以滿足網(wǎng)絡(luò)流量分類識別的應(yīng)用需求。H-ELM和ELM之間最主要的區(qū)別是在ELM特征分類前H—ELM用分層訓(xùn)練獲得原始數(shù)據(jù)的多層稀疏表示，而在ELM中，原始數(shù)據(jù)是用來直接回歸和分類的?？偟膩碚fH-ELM改善了學(xué)習(xí)表現(xiàn)。未來工作中將要注重網(wǎng)絡(luò)流量的預(yù)測以及新樣本加入訓(xùn)練時無需對樣本重新訓(xùn)練的SLFNs的增量式學(xué)習(xí)算法OS-ELM解決網(wǎng)絡(luò)流量分類問題的研究。

參考文獻(xiàn):

[1] 丁杰.基于n-gram多特征的流量載荷類型分類方法[J].計(jì)算機(jī)應(yīng)用與軟件，2017，34(2)：152-158.

[2] 孫靖超.一種基于機(jī)器學(xué)習(xí)的網(wǎng)頁分類技術(shù)[J].信息網(wǎng)絡(luò)安全，2017(9)：45-48.

[3] 戚銘鈺，劉銘，傅彥銘.基于PCA的SVM網(wǎng)絡(luò)入侵檢測研究[J].信息網(wǎng)絡(luò)安全，2015(2)：15-18.

[4] 王濤，余順爭.基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流量分類研究進(jìn)展[J].小型微型計(jì)算機(jī)系統(tǒng)，2012，33(5)：1034-1040.

[5] 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.

[6] 李曉明.基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流量分類算法分析研究[J].中國傳媒大學(xué)學(xué)報(bào)(自然科學(xué)版)，2017，24(2)：9-14.

[7] 林平，余循宜，劉芳，等.基于流統(tǒng)計(jì)特性的網(wǎng)絡(luò)流量分類算法[J].北京郵電大學(xué)學(xué)報(bào)，2008，31(2)：15-19.

[8] HUANG G，B CHEN L, SIEW C K. Universal approximation using incremental constructive feedforward networks with random hidden nodes [J].IEEE Trans Neural Networks,2006，17(4)：879-892.

[9] HUANG G，B ZHOU H. DING X. Extreme learning machine for regression and multiclass classification [J].IEEE Trans Systems Man Cybernetics-Part B:Cybernetics,2012，42(2)：513-529.

[10] 徐鵬，劉瓊，林森.基于支持向量機(jī)Internet流量分類研究[J].計(jì)算機(jī)研究與發(fā)展，2009,46(3):407-414．

[11] 李平紅，王勇，陶曉玲.支持向量機(jī)的半監(jiān)督網(wǎng)絡(luò)流量分類方法[J].計(jì)算機(jī)應(yīng)用，2013，33(6)：1515-1518.

[12] 周文剛，陳雷霆，LubomirBic，等.基于半監(jiān)督的網(wǎng)絡(luò)流量分類識別算法[J].電子測量與儀器學(xué)報(bào)，2014，28(4)：381-386.