【出 处】：《 计算机仿真 》 CSCD 2015年第32卷第12期 255-258页,共4页

【作 者】： 刘彤

【摘 要】 当海量非线性网络流量数据分类过程中的数据支持量增多时，采用传统的方法组建的流量分类模型，对其具有的二重性和混沌特性考虑不充分，建模时需要大量的迭代计算，分类器训练过于缓慢，导致分类精确度低，抗噪性差。提出基于改进SVM算法的海量非线性网络流量数据分类方法。针对海量非线性网络流量数据分类的初始训练样本集进行聚集和压缩，重新建立新非线性网络流量数据分类样本集，利用SVM算法训练流量数据分类器，在依据不同的流量数据分类样本对每个流量类型特征贡献的大小给定相应的模糊因子，建立流量数据分类模型，引入网络流量分类特征有效度，构造其特征有效度核函数，对上述分类模型的分类精度进行优化。仿真结果证明，改进SVM算法的海量非线性网络流量数据分类方法分类精确度高，抗噪性能良好。