Resumen

Las técnicas de minería de datos en flujos son capaces de clasificar flujos de datos en evolución, como el tráfico de red, en presencia de cambios conceptuales. Para clasificar el tráfico de red de alta velocidad en tiempo real, los clasificadores de minería de flujos de datos deben implementarse en una plataforma reconfigurable de alto rendimiento, como un Array de Puertas Programables en Campo (FPGA). Este artículo propone un algoritmo para la clasificación en línea del tráfico de red basado en el concepto de agrupamiento incremental -means para aprender continuamente de instancias de flujo etiquetadas y no etiquetadas. Se analizan dos medidas de distancia para el -means incremental (distancia euclidiana y distancia de Manhattan) para medir su impacto en la clasificación del tráfico de red en presencia de cambios conceptuales. Los resultados experimentales en conjuntos de datos reales muestran que el algoritmo propuesto muestra consistencia, con un promedio de precisión de hasta el 94% para ambas medidas de distancia, incluso en presencia de cambios conceptuales. La clasificación incremental -means

• Materias:Ecuaciones diferenciales Axiomas de lógica Intervalo Semiilimitado Deformación no lineal Cadenas homotópicas
• Subjects:Differential equations Logic axioms Semi-limited interval Nonlinear deformation Homotopy chains
• Palabras claves:Minería de flujo de datos; Clasificación de tráfico de red; Cambio de concepto; Agrupamiento incremental -means; FPGA; Medidas de distancia
• Keywords:Data stream mining; Network traffic classification; Concept drift; Incremental -means clustering; FPGA; Distance measures