基于证据推理融合的网络数据流识别方法.pdf

《基于证据推理融合的网络数据流识别方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、JournalofComputerApplicationsISSN1001．90812014—08-1O计算机应用，2014，34(8)：2235—2238CODENJYIIDUhttp：／／www．joca．cn文章编号：1001-9081(2014)08-2235—04doi：10．11772／j．issn．1001—9081．2014．08．2235基于证据推理融合的网络数据流识别方法张剑1,2，曹萍，寿国础(1．上海工程技术大学航空运输学院，上海201620；2．北京邮电大学通信测试技术研究中心，北京100876；3．福州大学经济与管理学院，福州350116)(通

2、信作者电子邮箱zhangj9860@sina．com)摘要：针对多分类器决策融合研究中利用有限的训练数据对分类器概率参数估计时存在较大偏差的问题，提出一种基于D—s证据推理(ER)的多分类器决策融合算法。利用不确定性描述分类器性能，并针对D·s组合规则在分类器结果高冲突情形下易出现决策融合悖论的问题，提出基于分类器信度加权融合算法实现流量识别决策融合。实验结果表明，多数投票法和Bayes最大后验概率法识别准确率分别为78．3％和81．7％，证据推理决策融合的识别准确率提高到82．2％一91．6％，而拒识率则保持在4．1％一6．2％。关键词：数据流识别；D—S证据理论；决策

3、融合；信度加权中图分类号：TP393．06文献标志码：AIdentificationmethodofnetworktraficflowbasedonevidencetheoryfusionZHANGJian，，CAOPing。，SHOUGuochu(1．SchoolofAirTransportation，ShanghaiUniversityofEngineeringScience，Shanghai201620，China；2．ComtestResearchandDevelopmentCenter,BeingUniversityofPostsandTelecommunica

4、tions，Belting100876，China；3．SchoolofEconomicsandManagement，FuzhouUniversity,FuzhouFujian350116，China)Abstract：Inmulti—classifierdecisionfusion，thereisgreatwarpwhenusinglimitedtrainingdatatoestimatetheprobabilityparametersofclassifier．Fordealingwiththisproblem，amuhi—classifierdecisionfusio

5、nmethodbasedonD—S(Dempster—Shafer)EvidentialReasoning(ER)waspresented．ThemethodutilizedtheadvantagesofD—Stheorytodescribeuncertaintyofclassifiers．Tosolvetheparadoxprobleminhighconflictcircumstanceamongmultipleclassifiers，areliabilityweightedfusionalgorithmwasproposedtorealizethetrafficide

6、ntificationdecisionfusion．TheexperimentalresultsshowthattheaccuracyrateofmajorityvotingandBayesmaximumposterioriprobabilityare78．3％and81．7％respectively．whiletheproposedalgorithmcanimprovetheaccuracyrateupto82．2％一91．6％，andremaintherejectratebetween4．1％and6．2％．Keywords：trafficflowidentifica

7、tion；D-S(Dempster—Shafer)evidencetheory；decisionfusion；reliabilityweighting少，分类器的概率估计面临较大问题；另外基于概率理论难以0引言描述分类器不确定性的特征，实现分类器融合时误差较大。网络数据流的准确识别对于网络管理、网络安全等具有本文提出基于证据推理的异构多分类器网络流量融合算法，重要意义，已成为网络安全管理的研究热点。当前主要识别利用不确定性处理有限训练数据以精确描述分类器性能。并方法有利用数据流的协议特征字段匹配⋯、协议过程特征匹针对Demps