基于相关性特征选择和深度学习的网络流分类

随着网络和多媒体技术的发展，网络流量类别越来越多。网络流量正确分类对服务质量保证、资源分配等非常重要。现有研究中，运用简单的算术运算来融合特征，取得了有效的成果。但是，现有特征融合的运算方法比较单一，且高维特征中存在较多的冗余。为此，提出了增强特征融合方法，生成高维特征，并使用皮尔森相关系数选择最优特征组合。在两个真实数据集上对所提方法进行了测试，发现当特征之间的相关性阈值为0.90时，可以最大程度地删除冗余特征。之后，将选择特征生成二维灰度图，使用卷积神经网络(Convolutional Neural Networks, CNN)分类模型，总体准确率可达99.84%;与文献方法相比，准确率提高了2～4个百分点。