采用原型学习的类概念漂移网络数据检测与分类算法

摘要

受网络设备更新、通信协议升级等影响，网络数据的分布、类别和属性发生不可预知的漂移特性，导致基于机器学习的网络数据分类模型的分类精度下降。针对此问题，提出一种采用原型学习的类概念漂移网络数据检测与分类算法。该算法从时间序列的角度处理网络数据，利用带有注意力机制的网络提取数据的时空特征。借鉴原型学习思想，使用样本与原型之间的距离进行分类。当发生类概念漂移时，设定合适的阈值以区分新类，并使用其均值更新原型矩阵。实验结果表明，使用原型匹配分类不仅比传统的softmax分类器准确率高，且当数据发生类概念漂移时，所提算法能够有效检测漂移，并在漂移数据上能够表现出较好的分类性能。

关键词

原型学习 / 概念漂移 / 新类检测 / 网络数据