基于深度学习和特征选择技术的流量分类高效特征生成方法

最近大量的应用机器学习（ML）技术来为流量分类统计特征流。然而，由于流量统计特征的高维度和冗余性，流量数量的不平衡和Internet流量的概念漂移，ML技术的分类性能严重下降。为了全面解决这些问题，本文提出了一种基于深度学习和特征选择（Feature Selection，FS）技术的新的特征优化方法，为流量分类提供了最优和鲁棒的特征。首先利用对称不确定性去除网络流量数据集中不相关的特征，然后将基于深度学习的特征生成模型应用于这些相关特征的降维和特征生成，最后利用加权对称不确定性（WSU）去除冗余特征来选择最优特征。实验结果表明，该方法不仅能够有效地降低特征空间的维数，而且能够克服多类不平衡和概念漂移问题对ML技术的负面影响。此外，与前面的工作相比，所提