一种基于DCGAN的网络加密流量分类平衡方法
李睿 丁要军
针对深度模型进行加密流量分类任务时数据不平衡的问题,提出使用深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)来解决类不平衡。基本思想是将DCGAN生成器生成的样本经过判别器过滤后与原始数据混合,以此构建平衡数据集来提高分类器的性能。为了证明方法的有效性,结合多种方法对原始数据集进行图形化表示,并生成新的图像数据集。最后通过对比实验利用精确率、召回率、F1值3个评价指标来评价分类效果。实验结果表明,使用DCGAN模型进行平衡的数据集在经典卷积神经网络(Convolutional Neural Network,CNN)分类模型下,分类效果优于人工少数类过采样法(Synthetic Minority OverSampling Technique,SMOTE)、生成对抗网络(Generative Adversarial Network,GAN)等方法。