机器学习技术在网络流量分析中的比较预测建模

《Scientific Reports》：Comparative predictive modelling of machine learning techniques for network traffic analysis

　　

摘要

网络流量分析在智能网络管理中发挥着关键作用，它能够提供关于通信模式、资源利用和网络性能的洞察。现代网络流量的复杂性和传输量不断增加，因此需要具备预测建模技术的支持，这些技术能够捕捉不同流量特征之间的非线性关系。本研究提出了一个用于网络流量分析的比较型预测建模框架，通过将预测任务重新定义为监督回归问题，并使用UNSW-NB15基准数据集来进行实验。与传统的入侵检测用途不同，该数据集被转化为一个基于流量量特征的连续网络流量指标模型，从而可以实现流量行为的预测，而不仅仅是攻击类型的分类。本研究开发并评估了五种先进的机器学习回归算法：支持向量回归（SVR）、随机森林回归（RFR）、XGBoost回归、Light Gradient Boosting Machine（LightGBM）回归和多层感知器（MLP）回归，以研究它们在网络流量分析方面的预测能力。评估采用了多种回归性能指标，包括平均绝对误差（MAE）、均方根误差（RMSE）、相对准确率、容忍准确率以及决定系数（R2）。数值分析结果显示，XGBoost的表现最为出色，其决定系数R2为0.9969，准确率为0.9921；其次是LightGBM，R2为0.9957，准确率为0.9906。集成模型在这两种算法之间几乎平均分配了权重（各占47.5%），最终实现了0.9965的R2值和99.12%的三分位数准确率，其性能与最佳的单模型相当，这表明该模型具备较高的精度和泛化能力，同时也证实了其在实际应用中的稳定性和适用性。