基于AdaBoost的组合网络流量分类方法

针对单一分类方法在训练样本不足的情况下对于小样本网络流分类效果差的特点, 通过自适应增强（Adaptive Boosting, AdaBoost）算法进行流量分类。算法首先使用CFS(Correlat ion-based Feature Selection)特征选择方法从大量网络流特征中提取出少量高效的 分类特征,在此基础上,通过AdaBoost算法组合决策树、关联规则和贝叶斯等5种单一分类 方法实现流量分类。实际网络流量数据测试表明,基于AdaBoost的组合分类方法的准确 率在所选的几种算法中是最高的,其能够达到9892%,且相对于单一的分类算法,组合流 量分类方法对于小样本网络流的分类效果具有明显提升。