基于SVM决策树的网络流量分类

邱 婧， 夏靖波， 柏 骏

(空军工程大学电讯工程学院，西安 710077)

0 前言

随着互联网的不断发展，许多新的网络服务(如P2P、在线游戏等)采用动态端口、协议加密以及其他方面的原因，使得传统的基于端口和基于有效载荷分析的流量分类方法已不能保证完全精确的网络流量分类和统计。近年来，一些学者使用机器学习的方法来进行流量分类的研究。对网络流量分类使用机器学习技术的思想在入侵检测的研究中被首次提出［1］;文献［2］提出一种无监督的机器学习方法来识别不同网络应用的框架，用流的统计特性作为流的特征来进行网络流量自动分类研究;文献［3］和文献［4］使用基于贝叶斯分类器和大量的流属性来进行网络流量的分类研究。

支持向量机(SVM)方法是一种建立在统计学习理论基础之上的机器学习方法，该方法一方面利用非线性变换将样本空间的分类问题转化为高维特征空间的分类问题，有效避免冗余属性和无关属性对分类结果的影响;另一方面又根据结构风险最小化原则，将分类问题转化为在特定约束条件下寻找最优超平面的二次寻优问题，从而避免分类模型对样本先验概率的依赖，可以有效提高分类模型在小样本情况下的分类准确率和稳定性。目前已有学者将SVM用于网络流量分类，并取得了较好的分类效果［5-6］。但是SVM在网络流量分类中还存在以下问题。1)SVM本质上是2值分类，而流量分类是多类分类问题，目前基于支持向量机的多类分类算法主要是通过建立多个两类分类器的方法，主要有“一对一”算法、“一对多”算法。……