[發明專利]態勢要素分類方法及其模型的訓練方法、裝置及服務器

在審

• 申請號: 201911057313.X
• 申請日: 2019-10-31
• 公開（公告）號: CN110826617A
• 公開（公告）日: 2020-02-21
• 發明（設計）人: 李欣;孫海春;段詠程
• 申請（專利權）人: 中國人民公安大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/12
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 張磊

本發明提供了一種態勢要素分類方法及其模型的訓練方法、裝置及服務器；其中，該方法包括：基于預設的訓練集合確定當前的訓練數據組后，將訓練數據組中的訓練數據輸入至預先建立的初始分類器中，得到各個訓練數據對應的分類結果；并根據預先獲取的訓練數據的類別及分類結果，確定初始分類器的分類準確率；進而根據分類準確率及預設的優化算法對初始分類器的預設參數進行優化；繼續執行基于預設的訓練集合確定當前的訓練數據組，直至分類準確率收斂，得到態勢要素分類模型。本發明通過對態勢要素分類模型的參數優化，提高了對態勢要素分類的速度和準確率。

技術領域

本發明涉及網絡安全技術領域，尤其是涉及一種態勢要素分類方法及其模型的訓練方法、裝置及服務器。

背景技術

相關技術中，態勢要素分類方法中采用的原始態勢數據中包括大量冗余且重要程度低的數據，降低了態勢要素分類的速度和準確度；且該方式中采用的分類器的準確率波動較大，運算時間過長，導致態勢要素分類的準確度較低。

發明內容

有鑒于此，本發明的目的在于提供一種態勢要素分類方法及其模型的訓練方法、裝置及服務器，以提高對態勢要素的分類速度及準確度。

第一方面，本發明實施例提供了一種態勢要素分類模型的訓練方法，包括：基于預設的訓練集合確定當前的訓練數據組；訓練數據組包括多個訓練數據；將訓練數據組中的訓練數據輸入至預先建立的初始分類器中，得到各個訓練數據對應的分類結果；根據預先獲取的訓練數據的類別及分類結果，確定初始分類器的分類準確率；根據分類準確率及預設的優化算法對初始分類器的預設參數進行優化；繼續執行基于預設的訓練集合確定當前的訓練數據組，直至分類準確率收斂，得到態勢要素分類模型。

結合第一方面，本發明實施例提供了第一方面的第一種可能的實施方式，其中，上述方法還包括：獲取原始訓練數據集合；原始訓練數據集合包括多個態勢要素數據；對態勢要素數據進行預處理；采用預設的簡化算法對預處理后的態勢要素數據進行簡化處理，得到訓練集合；訓練集合中態勢要素數據的數量不大于原始訓練數據集合中態勢要素數據的數量。

結合第一方面的第一種可能的實施方式，本發明實施例提供了第一方面的第二種可能的實施方式，其中，上述簡化算法包括線性判別式分析算法；采用預設的簡化算法對預處理后的態勢要素數據進行簡化處理，得到訓練集合的步驟，包括：采用線性判別式分析算法對預處理后的態勢要素數據進行降維處理，得到訓練集合。

結合第一方面，本發明實施例提供了第一方面的第三種可能的實施方式，其中，上述初始分類器包括XGboost分類器；預設參數包括學習率、最大樹深、最小葉子權重及最小損失函數下降值。

結合第一方面的第三種可能的實施方式，本發明實施例提供了第一方面的第四種可能的實施方式，其中，上述優化算法包括量子遺傳算法；根據分類準確率及預設的優化算法對初始分類器的預設參數進行優化的步驟，包括：將分類準確率作為量子遺傳算法的適應度參數；通過量子遺傳算法對當前的XGboost分類器的學習率、最大樹深、最小葉子權重及最小損失函數下降值進行更新，得到更新后的XGboost分類器。

第二方面，本發明實施例還提供一種態勢要素分類方法，包括：獲取原始態勢要素數據集合；原始態勢要素數據集合包括多個待分類的原始態勢要素數據；對原始態勢要素數據進行預處理；采用預設的簡化算法對預處理后的原始態勢要素數據進行簡化處理；通過預先訓練得到的態勢要素分類模型對簡化處理后的各個原始態勢要素數據進行分類處理，得到分類結果；態勢要素分類模型通過上述態勢要素分類模型的訓練方法建立。