D-S证据推理在网络数据流识别中的融合算法

"基于证据推理融合的网络数据流识别方法 (2014年)，由张剑、曹萍和寿国础共同发表于《计算机应用》2014年第34卷第8期，该研究提出了一个利用D-S证据推理（ER）进行多分类器决策融合的新算法，以解决在有限训练数据下分类器概率参数估计偏差较大的问题。" 本文关注的是网络数据流的识别，尤其是在多分类器系统中的决策融合问题。传统的多分类器融合方法，如多数投票法和Bayes最大后验概率法，在处理网络流量识别时可能会遇到识别准确率不高的情况。张剑等人的研究指出，当分类器之间的决策结果冲突较高时，D-S证据推理组合规则可能导致决策融合悖论，即融合后的决策结果可能不如单个分类器的决策。 为了解决这个问题，他们提出了一种基于分类器信度加权的融合算法。该算法利用不确定性来描述分类器的性能，并根据每个分类器的信度给予不同的权重，从而在决策融合过程中减少高冲突情况下的悖论。实验结果显示，使用多数投票法的识别准确率为78.3%，Bayes最大后验概率法为81.7%，而采用证据推理决策融合算法后，识别准确率提升到了82.2%至91.6%之间，同时拒识率保持在4.1%至6.2%的较低水平。 这一研究工作对于网络流量分析和网络安全具有重要意义，通过证据推理融合提高了识别的准确性和稳定性，降低了错误分类的风险，尤其在面对复杂和多变的网络环境时，这种改进的决策融合方法能够提供更可靠的流量识别方案。 关键词：数据流识别、D-S证据理论、决策融合、信度加权。该研究被分类在T589.3.06（通信网络技术）领域，具有较高的学术价值，被标记为A类文献。