董育寧，朱善勝，趙家杰

DONG Yuning,ZHU Shansheng,ZHAO Jiajie

南京郵電大學(xué) 通信與信息工程學(xué)院，南京 210003

1 引言

近年來，由于網(wǎng)絡(luò)多媒體業(yè)務(wù)的不斷發(fā)展，網(wǎng)絡(luò)流量的監(jiān)測管理和網(wǎng)絡(luò)安全的難度也隨之提升。根據(jù)Cisco的預(yù)測報告[1]，到2021年，全球每年的IP網(wǎng)絡(luò)流量將達到3.3 ZB（ZB；1 000 Exabytes[EB]），將比2016年提高3.2倍；其中視頻流量將占所有消費流量的82%。因此，對網(wǎng)絡(luò)的流量進行分類管理在改善網(wǎng)絡(luò)環(huán)境、保障網(wǎng)絡(luò)安全等方面具有重要的意義。

網(wǎng)絡(luò)流分類主要分為四種形式[2]：基于端口、深度包檢測、基于統(tǒng)計行為和基于機器學(xué)習(xí)的方法。然而，由于新型網(wǎng)絡(luò)應(yīng)用層出不窮，加密傳輸、動態(tài)端口號等技術(shù)的出現(xiàn)使得前兩種方法對流分類的準確率大為降低。目前通常采用機器學(xué)習(xí)的方式進行流分類。

基于機器學(xué)習(xí)的流分類算法可以分為有監(jiān)督分類[3]、無監(jiān)督分類（聚類）[4]和半監(jiān)督分類[5]。半監(jiān)督分類是有監(jiān)督分類和無監(jiān)督分類的結(jié)合。由于其結(jié)合了已知標簽的樣本，可以提前獲取部分信息，所以被一些算法所采用。Jun Zhang[6]等人提出了一個半監(jiān)督的分類模型。該方法使用K-Means和Random Forest算法構(gòu)建分類模型，并采用流袋進行優(yōu)化。實驗表明該模型可以較好地提高對短時未知應(yīng)用（zero-day applications）的流分類準確率。Yu Wang[7]等人在考慮了背景信息的情況下，將馬氏距離應(yīng)用于K-Means方法中，提高了分類的準確度。此外，他們將該算法加入對未知聚類的分析，并應(yīng)用于未知協(xié)議的流分類[8]。Shukla[9]等人使用KMedoids方法對KDD CUP 99數(shù)據(jù)庫進行半監(jiān)督分類的研究。李林林[10]等人針對網(wǎng)絡(luò)流量分類的類不均衡問題，提出一種K-Means和kNN（k-Nearest Neighbor）相結(jié)合的半監(jiān)督流量分類算法，提高了非均衡流中特別對小類流的識別率。

對于高斯混合模型（Gaussian Mixture Model，GMM）和期望最大化（Expectation Maximization，EM）算法，國內(nèi)外相關(guān)學(xué)者也進行了相當多的研究。程華[11]等人根據(jù)網(wǎng)絡(luò)流尺度的Log-normal分布，對數(shù)據(jù)集進行了GMM建模。Songyin Liu[12]等人將EM算法結(jié)合了q-DAEM，降低了傳統(tǒng)EM算法的迭代次數(shù)。然而，以上EM算法均是基于GMM的。而高斯分布本身對于樣本尾部的擬合效果較差，易受到噪聲的影響。本文在EM算法基礎(chǔ)上，結(jié)合t分布混合模型（Student’s t-distribution Mixture Model，TMM）進行改進，并用半監(jiān)督分類方法驗證了算法的有效性。

本文的貢獻主要包括以下兩點。第一，現(xiàn)有文獻中的無監(jiān)督和半監(jiān)督的流分類方法通常采用K-Means、EM等算法。但是采用這些算法擬合的模型對數(shù)據(jù)樣本邊緣及離群樣本比較敏感。因此，本文在流分類時采用t分布代替?zhèn)鹘y(tǒng)的高斯分布，結(jié)合t分布混合模型（TMM）對網(wǎng)絡(luò)多媒體業(yè)務(wù)流進行擬合，從而提高了分類的準確率。第二，傳統(tǒng)的EM算法執(zhí)行效率比較低，這是因為如果數(shù)據(jù)集本身比較復(fù)雜，數(shù)據(jù)樣本的邊緣信息有可能對每次迭代產(chǎn)生影響，所以收斂速度較慢。本文采用更加復(fù)雜的TMM，執(zhí)行效率將更加低下。為了提高EM的收斂速度，本文使用3σ準則對TMM模型進行限制，提出了有限t分布混合模型（Limited t-distribution Mixture Model，LTMM），降低了EM算法的迭代次數(shù)。理論分析和實驗結(jié)果表明，本文提出的算法模型優(yōu)于現(xiàn)有文獻中的K-Means和高斯混合模型的EM算法。

2 t分布混合模型流分類算法

2.1 高斯混合模型和EM算法

高斯分布（Gaussian distribution）可以較好地描述一般數(shù)據(jù)樣本的分布情況。對于數(shù)據(jù)集x={x1,x2,…,xN}T，多維高斯分布可由公式（1）表示：

其中，μ表示數(shù)據(jù)集x的均值；Σ表示數(shù)據(jù)集x的協(xié)方差矩陣；D表示高斯分布的維度。對于網(wǎng)絡(luò)流分布的數(shù)據(jù)集而言，每個數(shù)據(jù)流樣本可以通過多種QoS（Quality of Service）特征表示，且每個特征之間還存在一定的相關(guān)性。所以為了描述多媒體業(yè)務(wù)數(shù)據(jù)集的分布情況，可以引入高斯混合模型（GMM）對樣本進行擬合[13]，即K個高斯分布的期望：

其中，表示第k個高斯分布，該高斯分布的系數(shù)用πk表示。需要注意的是，πk應(yīng)滿足公式（3）。

GMM的估計通常采用期望最大化算法（Expectation Maximization，EM）進行迭代擬合。公式（4）～（7）給出了EM算法的迭代公式[7]：

E步：

M步：

EM算法的收斂條件，即似然函數(shù)（公式（8））的變化量小于誤差值eps，則表示迭代結(jié)束。

2.2 t分布混合模型和EM算法

上文提到，高斯分布容易受到噪聲值的干擾，對數(shù)據(jù)樣本邊緣的擬合較差。為了能夠更好地擬合數(shù)據(jù)樣本尾部的取值，本文引入了學(xué)生t分布（Student’s tdistribution，以下簡稱為t分布）來代替原有的高斯分布。標準的一維t分布由公式（9）所示：

其中，Γ(·)為Gamma函數(shù)，ν代表自由度。當ν=1時，t分布退化為柯西分布（Cauchy distribution）；當ν=∞時，t分布退化為高斯分布。因此，t分布可以看作高斯分布的拓展。

圖1的直方圖反映了HTTP網(wǎng)頁瀏覽的平均數(shù)據(jù)包大小的分布情況。分別用高斯分布和t分布進行擬合。由于使用t分布所具有的“長尾”特性能夠更好地匹配數(shù)據(jù)樣本尾部的分布，因此使用t分布模型對數(shù)據(jù)樣本進行擬合，所得到的結(jié)果將更準確。

圖1 HTTP網(wǎng)頁瀏覽數(shù)據(jù)包大小的擬合曲線

從物理角度而言，每種多媒體業(yè)務(wù)流樣本的分布是隨機且獨立的。根據(jù)中心極限定理，每種業(yè)務(wù)可以用高斯分布擬合，而多個業(yè)務(wù)顯然可以構(gòu)成高斯混合。t分布作為高斯分布的拓展，因此多媒體業(yè)務(wù)流的數(shù)據(jù)集使用GMM拓展的t分布混合模型（Student’s t-distribution Mixture Model，TMM）來描述也是相對合理的。常規(guī)的多維t分布公式可由式（10）和式（11）給出，TMM的公式可由式（12）表示。

TMM也可以使用EM算法進行擬合。由于TMM還受到自由度ν的影響，根據(jù)文獻[14]，t分布混合模型的EM算法可以修正為：

E步：

M步：似然函數(shù)：

需要注意的是，算法中自由度ν是維度為聚類數(shù)K的向量，完整的EM迭代需要不斷更新ν的值。為了簡化EM算法的計算量，本文取ν為常數(shù)，并在實驗中用多個ν的取值進行了驗證。綜上所述，t分布混合模型的EM算法如下所示：

TMM(x1,x2,…,xN,K)

begin

初始化K個中心，記為 μ1,μ2,…,μK

初始化混合模型參數(shù)π1,π2,…,πK←1/K

計算每個混合模型協(xié)方差Σ1,Σ2,…,ΣK

while true

E步，公式（13）～（14）

M步，公式（15）～（17）

計算似然函數(shù)L(x)，公式（18）

if|L(k+1)(x)-L(k)(x)|＜eps//收斂條件

break

end if

end while

end

3 有限t分布混合模型

3.1 t分布和3σ準則

高斯分布存在3σ準則，即數(shù)據(jù)樣本 X出現(xiàn)在(μ-3σ,μ+3σ)外的取值不足0.3%。換句話說，數(shù)據(jù)樣本在雙側(cè)置信度為99.73%的置信區(qū)間是(μ-3σ,μ+3σ)。用數(shù)學(xué)語言可描述為：

在本文的流分類數(shù)據(jù)集中，可以用到該結(jié)論。我們認為超過這一區(qū)間的樣本幾乎不可能發(fā)生，即視為離群樣本。為了避免這些離群樣本對模型的擬合帶來錯誤的影響，因此可以事先忽略這些離群樣本，從而加快算法的收斂。

因為t分布可以看成高斯分布的拓展，所以t分布模型的優(yōu)化和高斯模型類似。但是由于自由度ν的存在，此時3σ準則已不完全適用于99.73%的置信區(qū)間。通過查詢t分布表，得到了一個修正的t分布置信區(qū)間，如表1所示。

3.2 有限t分布混合模型

傳統(tǒng)的EM算法在每一次迭代的時候都要通過第k

步的 μ(k)和 Σ(k)值來更新第k+1步的 μ(k+1)和 Σ(k+1)值。在引入t分布混合模型后，由于模型更加復(fù)雜，可能導(dǎo)致計算量上升，迭代次數(shù)增加。為了減少迭代次數(shù)，本節(jié)結(jié)合修正的3σ準則，對EM算法的每一次迭代進行了優(yōu)化，并提出了有限t分布混合模型（Limited t-distributionMixture Model，LTMM）。

表1 修正的t分布置信區(qū)間

根據(jù)1.1節(jié)，計算高斯混合模型的E步時，需要計算馬氏距離的平方(x-μ)TΣ-1(x-μ)。由于馬氏距離可以看成是歐式距離‖‖x-μ的拓展[7]，所以可以在計算馬氏距離時加上限制。這里以ν=5為例，限制條件如公式（20）所示：

如果某個樣本到所有K個t分布的馬氏距離均大于5.507 0，那么該樣本可以看作是離群樣本（outlier）。每一次計算M步的時候，首先忽略掉這些離群樣本，那么計算得到μ和Σ就不會受到這些樣本的影響。在這一輪迭代結(jié)束后，需要把忽略的樣本重新加回，保證離群樣本不被錯誤劃定。這樣就完成了TMM模型的優(yōu)化。把這種改進的模型稱為有限t分布混合模型（LTMM）。同理，高斯混合模型可優(yōu)化為有限高斯混合模型（LGMM）。

綜上所述，有限的t分布混合模型的EM算法如下所示：

LTMM(x1,x2,…,xN,K)

begin

初始化K個中心，記為μ1,μ2,…,μK

初始化混合模型參數(shù)π1,π2,…,πK←1/K

計算每個混合模型協(xié)方差Σ1,Σ2,…,ΣK

while true

E步，公式（13）～（14），計算離群點，公式（21）

排除離群點，執(zhí)行M步，公式（15）～（17）

計算似然函數(shù)L(x)，公式（18）

if|L(k+1)(x)-L(k)(x)|＜eps//收斂條件

break

end if

end while

end

3.3 有限t分布混合模型分析

為了更直觀地說明迭代過程，這里構(gòu)建了一個簡化的數(shù)據(jù)分布。圖2生成了3個二維高斯分布，其均值和協(xié)方差矩陣分別為布均有50個點。那么它們的迭代過程如圖2所示。

圖2中有限t分布模型中的⊙代表迭代考慮的離群樣本。原始數(shù)據(jù)分布中，存在兩個距離數(shù)據(jù)分布較遠的離群樣本。迭代結(jié)束后，結(jié)合TMM的EM算法一共迭代了19次，而LTMM僅迭代了5次。從圖2可以看出，雖然開始時迭代效果接近，但當TMM迭代6次之后，其聚類中心的更新都極其微??；而LTMM不受離群樣本的干擾，收斂速度很快。這是由于LTMM在每次迭代時能找到更接近迭代中心的μ和Σ值，所以降低了迭代次數(shù)，加快了算法的收斂。

4 實驗分析

4.1 實驗?zāi)Ｐ徒?/h3>

本節(jié)給出了流分類的實驗?zāi)Ｐ停鐖D3所示。實驗?zāi)Ｐ涂梢苑譃?個部分：數(shù)據(jù)預(yù)處理、聚類過程和分類過程。預(yù)處理部分包括：對網(wǎng)絡(luò)多媒體流進行z-score標準化（即使用標準分數(shù)使數(shù)據(jù)無量綱化[15]）、特征選擇、劃分已標識/未標識樣本；聚類過程采用KMeans、SBCK[8]、K-Medoids[9]以及各個混合模型（GMM、TMM、LTMM）進行對比。得到聚類結(jié)果可分為三種情況：聚類中沒有已標識的樣本，則該聚類可視為未知聚類，不在本文考慮范圍內(nèi)；聚類中已標識樣本的類型僅有一種，則該聚類中所有的樣本均可劃分為該類型；第三種是聚類含多種已標識樣本的類型。對于這類混合簇，可以進一步對簇中未知樣本進行細分類判定，提高分類的準確度[10]。部分文獻[6]采用“多數(shù)投票”的方式，少部分文獻[8，10]進行了細分類工作。由于Random Forest算法不僅分類速度快、分類準確率高，而且相比其他算法可以減少過擬合的情況，所以本文將采用Random Forest作為細分類工作。最后將三種聚類情況綜合即可得到半監(jiān)督流分類模型的分類的準確率。

本文采用半監(jiān)督方法分類，因而隨機選取數(shù)據(jù)集中的10%作為已標識的樣本，剩余的90%作為未標識的樣本。為了提高結(jié)果的準確性和可靠性，對每個實驗均進行10次重復(fù)驗證取平均值。

4.2 數(shù)據(jù)集和評價指標

本文數(shù)據(jù)集采用南京郵電大學(xué)校園網(wǎng)內(nèi)抓取的網(wǎng)絡(luò)多媒體業(yè)務(wù)流。數(shù)據(jù)集的時間跨度是2014年4月到2015年8月，使用的抓包工具是WireShark1http：//wiki.wireshark.org/。本文涉及的網(wǎng)絡(luò)多媒體業(yè)務(wù)主要可以分為6類，如表2所示。每類業(yè)務(wù)均為60條數(shù)據(jù)流，每條數(shù)據(jù)流的長度均為30分鐘。分別選用典型的應(yīng)用進行實驗。

圖2 傳統(tǒng)t分布模型和有限t分布模型的迭代對比

圖3 多媒體業(yè)務(wù)的半監(jiān)督流分類模型

表2 多媒體業(yè)務(wù)流數(shù)據(jù)集

衡量網(wǎng)絡(luò)流的分類結(jié)果通常引入四個評價指標：查準率（Precision）、查全率（Recall）、F-測度（F-measure）和總體正確率（Accuracy）。在引入四個指標之前，需要給出二分問題的幾種分類結(jié)果，如表3所示。

表3 二分類問題的分類結(jié)果

其中，TP（True Positive）表示正確樣本預(yù)測為正確分類的數(shù)目；FP（False Positive）表示錯誤樣本被預(yù)測為正確分類的數(shù)目；FN（False Negative）表示正確樣本被預(yù)測為錯誤分類的數(shù)目；TN（True Negative）表示錯誤樣本預(yù)測為錯誤分類的數(shù)目。進而，四種指標分別由公式（21）～（24）表示：

4.3 特征選擇

常用的網(wǎng)絡(luò)多媒體業(yè)務(wù)流的QoS統(tǒng)計特征包括數(shù)據(jù)包大小、數(shù)據(jù)包傳輸間隔等。根據(jù)數(shù)據(jù)流傳輸方向，QoS特征可以分為上行、下行以及整體方向。由于本文針對的網(wǎng)絡(luò)多媒體流主要集中于下行業(yè)務(wù)，即下行方向的數(shù)據(jù)流可以承載更多的特征信息，因此本文主要對下行方向數(shù)據(jù)流的QoS統(tǒng)計特征進行了相應(yīng)的研究。

為了能夠更加有效地進行流分類，需要找到一個簡潔有效的特征組合，以提高分類的準確率，同時降低分類的復(fù)雜度。然而，并沒有一種最優(yōu)的特征選擇算法能夠完全適用于所有數(shù)據(jù)樣本的分類[16]。因此，本文選用了6種常用的特征選擇算法，并在本文數(shù)據(jù)集的基礎(chǔ)上進行了特征選擇。本文采用信息增益（InfoGain）、信息增益率（GainRatio）或卡方檢驗（Chi-square）這三種方法選出的特征進行進一步的研究。這些QoS分類特征由表4列出。

表4 實驗所采用的特征

不同特征選擇算法的總體正確率由圖4所示。從圖4可以看出，InfoGain、GainRatio和Chi-square這三種方法選出的特征一致，得到的分類正確率較高。此外，雖然一致性特征選擇方法（Consistency）對K-Means算法可以獲得較高的總體正確率，但在TMM和LTMM算法的總體正確率卻不如InfoGain等三種方法選出的特征。

圖4 QoS特征選擇算法的總體正確率

4.4 自由度的確定

根據(jù)3.2節(jié)，t分布混合模型根據(jù)自由度ν的不同，最后得出的擬合模型也隨之不同。因此，為了找到一個比較合適的自由度ν以擬合最后的數(shù)據(jù)樣本，需要對自由度ν進行確定。本節(jié)將對提出的TMM和LTMM算法的自由度進行分析。

圖5對本文數(shù)據(jù)集分別執(zhí)行TMM和LTMM算法，聚類數(shù)K取15。從圖中可以得出，當ν=3或ν=5的時候，兩種模型得到的總體正確率比較高，即更加貼近實際的數(shù)據(jù)樣本。在接下來的實驗中，主要采用這兩種自由度進行分析。

圖5 TMM和LTMM算法的自由度分析

4.5 聚類數(shù)的影響

不同的聚類數(shù)對K-Means、EM算法均有較大的影響。本節(jié)使用半監(jiān)督流分類模型，探討不同聚類算法在不同聚類數(shù)條件下的影響。

圖6給出了不同的聚類數(shù)對不同算法的總體正確率。從圖6（a）中可以看出，EM算法（GMM和TMM）要優(yōu)于K-Means部分的算法（K-Means、SBCK和KMedoids）。這是由于K-Means部分的算法通常采用歐氏距離，獲得的簇的形狀往往是球形的，對非球形簇的聚類并不準確[11]。雖然文[7]中的實驗提到他們的算法SBCK要優(yōu)于GMM，但可能是由于數(shù)據(jù)集之間的差異，導(dǎo)致本文實驗中對SBCK算法的總體正確率較低。對于GMM和TMM而言，本文采用的模型無論取自由度ν=3或5，總體分類正確率均高于GMM模型的分類正確率。因而采用TMM能夠更精確地擬合多媒體業(yè)務(wù)流的數(shù)據(jù)集。

圖6（b）驗證了常規(guī)混合模型（GMM、TMM）和改進的混合模型（LGMM、LTMM）之間的差異。從圖中可以看出，TMM模型的分類正確率均要高于GMM模型的分類正確率，而改進混合模型可能會導(dǎo)致總體分類正確率的降低。這是由于改進混合模型LTMM采用了3σ準則，在每次聚類時可能會過度忽略模型邊緣點的影響，因而造成在某些聚類數(shù)下的分類正確率的降低。但TMM模型和LTMM模型的擬合結(jié)果均優(yōu)于GMM模型，證明LTMM模型在分類正確率方面還是可以接受的。

圖6 不同聚類數(shù)的影響

為了更明顯地看出每一類的分類情況，圖7列出了各個算法在聚類數(shù)為15時的F-measure值?？梢钥闯?，本文使用的TMM和LTMM算法確實要優(yōu)于其他列出的算法。

4.6 迭代次數(shù)比對

在本節(jié)中，主要對混合模型算法的迭代次數(shù)進行實驗比較，以驗證2.3節(jié)的理論分析結(jié)果。為簡單起見，取聚類數(shù)為15，并重復(fù)做10次實驗取平均值。各算法迭代次數(shù)的平均值如表5所示。

從表5中可以得出，使用TMM擬合后，由于算法復(fù)雜度增加，因此迭代次數(shù)比GMM有所增加。但是有限t分布混合模型（LTMM）的迭代次數(shù)小于t分布混合模型（TMM），證明了LTMM可以顯著降低算法的迭代次數(shù)。雖然LTMM的分類正確率相比TMM有略微的下降，但是由于在迭代次數(shù)上降低較明顯，所以有限t分布混合模型是可以接受的。

圖7 不同算法的F-measure比較

表5 不同算法迭代次數(shù)比對

4.7 TMM、LTMM特點及適應(yīng)場景

由實驗可知，TMM、LTMM相較于K-Means和GMM，在準確率、F測度和總體正確率的指標都更優(yōu)。對t分布自由度v的值進行適當?shù)恼{(diào)整，能夠更好地匹配數(shù)據(jù)樣本的尾部分布，提高抗噪聲性能，因此t分布擬合的模型可以更好地適用于尾部較長情形。由于引入EM算法，TMM、LTMM擁有EM的優(yōu)點，能夠穩(wěn)定地處理數(shù)據(jù)集中的缺損、截尾等不完全數(shù)據(jù)，但此模型的運算復(fù)雜度較高，比較適用于較小型的數(shù)據(jù)集。從表5可知，與TMM相比，LTMM精確度稍有下降，但高于GMM；然而，其計算復(fù)雜度比TMM降低近一半，與GMM相當，所以適用于對計算時間要求較為苛刻的場景。

5 結(jié)束語

本文結(jié)合t分布混合模型對多媒體業(yè)務(wù)流進行分類，并用理論和實驗證實了t分布混合模型的有效性。相比于高斯混合模型，t分布混合模型對數(shù)據(jù)集邊緣樣本的擬合更加精確。為了減少模型中EM算法的迭代次數(shù)，本文對t分布模型加以改進，并提出了有限的t分布混合模型，顯著地降低了迭代次數(shù)。然而，該算法在處理過大的數(shù)據(jù)集時，可能會導(dǎo)致執(zhí)行效率低下的問題。在未來的工作中，將進一步優(yōu)化本文算法，以適用于較大數(shù)據(jù)集和高維特征的情況。

：

[1]White paper：Cisco VNI forecast and methodology[EB/OL].[2016-2021].http：//www.cisco.com/c/en/us/solutions/collateral/service-provider/ip-ngn-ip-next-generation-network/white_paper_c11-481360.html.

[2]Al Khater N，Overill R E.Network traffic classification techniques and challenges[C]//Tenth International Conference on Digital Information Management.IEEE，2015：43-48.[3]Hardt M，Price E，Srebro N.Equality of opportunity in supervised learning[C]//Advances in neural information processing systems，2016：3315-3323.

[4]Li Y，Paluri M，Rehg J M，et al.Unsupervised learning of edges[C]//Computer Vision and Pattern Recognition.IEEE，2016：1619-1627.

[5]Chapelle O，Sch?lkopf B，Zien A.Semi-supervised learning[C]//Pacific-Asia Conference on Advances in Knowledge Discovery and Data Mining.[S.l.]：Springer-Verlag，2009：588-595.

[6]Zhang J，Chen X，Xiang Y，et al.Robust network traffic classification[J].IEEE/ACM Transactions on Networking，2015，23（4）：1257-1270.

[7]Wang Y，Xiang Y，Zhang J，et al.Internet traffic classification using constrained clustering[J].IEEE Transactions on Parallel&Distributed Systems，2014，25（11）：2932-2943.[8]Wang Y，Chen C，Xiang Y.Unknown pattern extraction forstatisticalnetwork protocolidentification[C]//Local Computer Networks.IEEE，2015：506-509.

[9]Shukla D B，Chandel G S.An approach for classification of network traffic on semi-supervised data using clustering techniques[C]//Nirma University International Conference on Engineering，2013：1-6.

[10]李林林，張效義，張霞，等.基于K均值和k近鄰的半監(jiān)督流量分類算法[J].信息工程大學(xué)學(xué)報，2015，16（2）：234-239.[11]程華，房一泉.基于聚類分析的網(wǎng)絡(luò)流量高斯混合模型[J].華東理工大學(xué)學(xué)報：自然科學(xué)版，2010，36（2）：255-260.

[12]Liu S，Hu J，Hao S，et al.Improved EM method for internet traffic classification[C]//2016 8th International Conference on Knowledge and Smart Technology（KST），Chiangmai，2016：13-17.

[13]Dukkipati A，Ghoshdastidar D，Krishnan J.Mixture modeling with compact support distributions for unsupervised learning[C]//2016 International Joint Conference on Neural Networks（IJCNN），Vancouver，BC，2016：2706-2713.[14]Yao W，Wei Y，Yu C.Robust mixture regression using the t-distribution[J].Computational Statistics&Data Analysis，2014，71（3）：116-127.

[15]Han J，Pei J，Kamber M.Data mining：concepts and techniques[M].3rded.SanFrancisco：MorganKaufmann Publishers，2011.

[16]Fahad A，Tari Z，Khalil I，et al.Toward an efficient and scalable feature selection approach for internet traffic classification[J].Computer Networks，2013，57（9）：2040-2057.