.png){kind=icon}
返回
A clustering-based approach for classifying data streams using graph matching
.png){kind=icon}
OA
AI
DOI：10.1186/s40537-025-01087-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为应对网络流量分类中数据加密、分布不均及用户隐私关注等挑战，本文提出了一种基于聚类的解决方案。该方法利用图匹配技术有效对实时场景下的数据流进行分类，旨在提升网络流量分类的准确性和效率，特别是在应对不断演变的加密技术和隐私保护措施方面。该方法仅依赖非内容特征表征网络流特征，并采用图匹配算法减少类间不平衡，实现粗粒度聚类和可靠的图匹配。首先，设计了一种无监督聚类框架，基于有限特征集研究流量数据的多样分布和类别相似性；该无监督聚类通过聚合提取主要特征的少量网络会话集群，缓解网络差异。其次，利用同一网络中各聚类间的相关性构建相似度图。最后，提出一种图匹配算法，结合图神经网络和图匹配网络揭示不同网络关系间的可靠对应关系，从而将测试网络中的聚类与初始网络中的聚类关联，并依据训练集中关联的聚类对测试聚类进行标注。仿真结果表明，所提方法准确率达到96.8%，显著优于现有方法。
Keyword:
Coarse-grained clustering
Traffic classification
Graph matching algorithm
Primary features
期刊
IF:
6.4
论文数:
1.5K
被引数:
1.1W
机构
引用论文
Optimizing Feature Selection for Efficient Encrypted Traffic Classification: A Systematic Approach.png)
IEEE NETWORK
IEEE NETWORKIF6.3
PREAI
分享收藏分享收藏Tree-RNN: Tree structural recurrent neural network for network traffic classificationTree-rnn: 用于网络流量分类的树结构递归神经网络
PREAI
分享收藏An Introduction to Topological Data Analysis: Fundamental and Practical Aspects for Data Scientists
OAAI
OAAI分享收藏
查看更多内容