基于DT-KSVM的业务感知算法

doi:10.11959/j.issn.1000-0801.2015227

电信科学 ›› 2015, Vol. 31 ›› Issue (11): 67-71.doi: 10.11959/j.issn.1000-0801.2015227

基于DT-KSVM的业务感知算法

董昊¹,曲桦¹,赵季红^2,³,陈梁骏²,戴慧珺²

¹ 西安交通大学软件学院西安 710049
² 西安交通大学电子与信息工程学院西安 710049
³ 西安邮电大学通信与信息工程学院西安 710061

出版日期:2015-11-20 发布日期:2015-12-14
基金资助:
国家自然科学基金资助项目;国家高技术研究发展计划（“863”计划）基金资助项目

Service-Aware Algorithm Based on DT-KSVM

Hao Dong¹,Hua Qu¹,Jihong Zhao^2,³,Liangjun Chen²,Huijun Dai²

¹ School of Software,Xi'an Jiaotong University,Xi'an 710049,China
² School of Electronic ＆ Information Engineering,Xi'an Jiaotong University,Xi'an 710049,China
³ School of Telecommunication ＆ Information Engineering,Xi'an University of Posts ＆ Telecommunications,Xi'an 710061,China

Online:2015-11-20 Published:2015-12-14
Supported by:
The National Natural Science Foundation of China;The National High Technology Research and Development Program of China（863 Program）

摘要/Abstract

摘要：

提出一种新的基于DT-KSVM（decision tree kernel support vector machine，决策树支持向量机）的业务感知算法，利用ReliefF特征选择算法提取特征，提出样本间类别可分度计算方法排序不同业务感知难度，优先感知易分业务。在实际网络业务数据集上与传统一对一（one-versus-one）SVM感知方法进行对比，结果表明该方法具有较高的业务识别准确率和更好的时间性能。

关键词: SVM, 决策树, 业务感知

Abstract:

A novel service-aware method based on decision tree kernel support vector machine（DT-KSVM） algorithm was proposed.A service-aware model was developed by using ReliefF algorithm to extract service characteristics,and proposing the separable degree between samples to simply the service-aware process.Through experiment comparison between this proposed model and traditional one-versus-one SVM method,it is shown that the proposed method has a better service-aware accuracy and time performance.

Key words: support vector machine, decision tree, service-aware

董昊,曲桦,赵季红,陈梁骏,戴慧珺. 基于DT-KSVM的业务感知算法[J]. 电信科学, 2015, 31(11): 67-71.

Hao Dong,Hua Qu,Jihong Zhao,Liangjun Chen,Huijun Dai. Service-Aware Algorithm Based on DT-KSVM[J]. Telecommunications Science, 2015, 31(11): 67-71.

图/表 6

图1

表1

表2

表3

表4

图2

参考文献 10

1	Kawahara R , Kamei S , Kamiyama N , et al. A Method of Constructing QoS Overlay Network and Its Evaluation. Technical Report of IEICE Cq, 2009
2	Lu X M , Pei J , Zhou Y J . A new P2P traffic identification model based on node status. Proceedings of the 2010 International Conference on Management and Service Science （MASS 2010）, Wuhan,China, 2010:1～4
3	Song H , Han I Y , Kim Y , et al. The NADPH oxidase inhibitor DPI can abolish hypoxia-induced apoptosis of human kidney proximal tubular epithelial cells through Bcl2 up-regulation via ERK activation without ROS reduction. Life Sciences, 2015（126）:69～75
4	Witten I H , Frank E , Hall M A . Data Mining:Practical Machine Learning Tools and Techniques. Amstel dam: Elsevier, 2011
5	Yuan R X , Li Z , Guan X H , et al. An SVM-based machine learning method for accurate internet traffic classification. Information Systems Frontiers, 2010,12（2）:149～156
6	Rocha A , Goldenstein S K . Multiclass from binary:expanding one-versus-all,one-versus-one and ecoc-based approaches. IEEE Transactions on Neural Networks and Learning Systems, 2014,25（2）:289～302
7	Ng S S Y , Tse P W , Tsui K L . MA one-versus-all class binarization strategy for bearing diagnostics of concurrent defects. Sensors, 2014,14（1）:1295～1321
8	戴慧珺．基于业务分类识别流量预测的覆盖网QoS 路由算法（博士学位论文）．西安：西安交通大学， 2015 Dai H J . Research on QoS routing based on traffic identification and flow prediction in overlay network（doctor dissertation）. Xi'an: Xi'an Jiaotong University, 2015
9	Zhou Q , Ding J , Ning Y , et al. Stable feature selection with ensembles of multi-reliefF. Proceedings of the 10th International Conference Natural Computation（ICNC 2014）, Xiamen,China, 2014:742～747
10	Moore A W , Zuev D . Internet traffic classification using bayesian analysis techniques. Proceedings of 2005 ACM SIGMETRICS International Conference on Measurement and Modeling of Computer Systems, New York,USA, 2005:50～60

排序前			排序后
序号	类别	可分度	序号	类别	可分度
1	Gnutella	4.911 687 8E12	1	Thunder	1.326 261 36E13
2	eDonkey	7.976 978 5E12	2	eDonkey	7.976 978 5E12
3	Thunder	1.326 261 36E13	3	BitTorrent	7.700 031 2E12
4	KaZaA	5.171 715 2E12	4	KaZaA	5.171 715 2E12
5	BitTorrent	7.700 031 2E12	5	Gnutella	4.911 687 8E12

分类面	数据集	C	g
SVM1	Originals.libsvm	32 768	0.125
SVM2	Original0s.libsvm	8 192	0.031 25
SVM3	Original1s.libsvm	8 192	0.5
SVM4	Original11s.libsvm	2	0.5

业务类型	识别数目	实际数目	识别数/实际数	召回率
Gnutella	371	390	95.1%	94.6%（369/390）
eDonkey	414	430	96.2%	95.8%（412/430）
Thunder	387	400	96.7%	96.7%（387/400）
KaZaA	440	420	104.7%	95.2%（400/420）
BitTorrent	482	454	106.1%	96.9%（440/454）

算法类别	准确率
1vs1	93.97%
DT-KSVM	96.08%

[1]	王雪荣, 唐政治, 李银川, 齐美玉, 朱建波, 张亮. 基于优化决策树的时延敏感流智能感知调度[J]. 电信科学, 2023, 39(4): 120-132.
[2]	胡坚, 孙磊, 尹以雁, 杨晓康, 白金贵, 张叶江. 基于数据挖掘和地理可视化的4G/5G语音质量优化研究[J]. 电信科学, 2022, 38(10): 131-139.
[3]	谭晓敏,方艾,梁冰,杨豪杰. 基于决策树的EPG体验异常原因定位[J]. 电信科学, 2019, 35(8): 158-164.
[4]	崔羽飞,魏进武,潘思宇,张溶芳,王笑,贾子翔. 一种基于决策树终端换机间隔的研究[J]. 电信科学, 2019, 35(7): 165-172.
[5]	聂建园,包建荣,姜斌,刘超,朱芳,何剑海. 基于采样协方差矩阵的混合核SVM高效频谱感知[J]. 电信科学, 2019, 35(11): 19-26.
[6]	陈小峰,赵雅迪,张利鹏,朱峰. 电力潜在敏感客户预测的大数据方法应用[J]. 电信科学, 2019, 35(11): 117-124.
[7]	李创创,卢光跃,王航龙. 基于边界样本欠取样支持向量机的电信用户欠费分类算法[J]. 电信科学, 2017, 33(9): 85-91.
[8]	金鑫,闫龙川,刘军,张书林. 基于决策树的企业信息系统故障自动诊断分析方法[J]. 电信科学, 2017, 33(3): 163-167.
[9]	何振红. 基于广义高斯分布FDCT_Wrap和FSVM的虹膜识别[J]. 电信科学, 2016, 32(7): 126-131.
[10]	邢宇恒. 基于知识库的系统安全评估方法[J]. 电信科学, 2016, 32(4): 192-196.
[11]	王雪琼,熊珺洁,姚晓辉. 基于大数据挖掘的终端换机模型[J]. 电信科学, 2016, 32(12): 43-52.
[12]	汤利民,徐德平,程日涛. 基于业务感知的分场景4G网络扩容体系[J]. 电信科学, 2015, 31(Z1): 5-10.
[13]	严斌峰,董慧,侯玉华. 基于终端的感知技术浅析[J]. 电信科学, 2015, 31(3): 1-7.
[14]	严斌峰,董慧,侯玉华. 基于终端的感知技术浅析[J]. 电信科学, 2015, 31(3): 2015078-.
[15]	姚玉凤. 宽带用户感知关键因素及测试方法研究[J]. 电信科学, 2014, 30(2): 127-131.

基于DT-KSVM的业务感知算法

Service-Aware Algorithm Based on DT-KSVM

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 10

相关文章 15

Metrics

推荐阅读 0