[發明專利]一種類不平衡的網絡流量分類方法、裝置及計算機設備

有效

• 申請號: 201911291144.6
• 申請日: 2019-12-16
• 公開（公告）號: CN111144459B
• 公開（公告）日: 2022-12-16
• 發明（設計）人: 唐宏;劉丹;姚立霜;王云鋒;裴作飛
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 王海軍

1.一種類不平衡的網絡流量分類方法，其特征在于，所述方法包括：

獲取待分類的網絡流量數據，并提取出網絡流量的特征；

采用特征選擇算法刪除不相關特征以及冗余特征，基于相關性度量的特征評估函數以及序列搜索算法對剩余的特征降維，從而選擇出最優特征子集；

特征降維的方式包括：

步驟1：計算候選特征集合BS(f₁,f₂,…,f_n)中每一個屬性特征f_d的特征評估函數值J(f_d)；

其中，特征評估函數值定義為：

其中，n表示特征子集s中的特征個數，表示特征子集s中各個特征與類別相關度的平均值，表示特征子集s中各特征之間相關度的平均值，r為Pearson相關系數；

步驟2：若J(f_a)＝max{J(f_d)}，則把屬性特征f_a加入集合F_o，并將屬性特征f_a從候選特征集合中刪除；

步驟3：將候選特征集合中未入選的屬性特征分別與集合F_o中的屬性特征進行匹配，得到匹配后組合特征集的評估函數值；

步驟4：將最大組合特征評估函數值對應的屬性特征加入集合F_o，并將該屬性特征從集合候選特征集合中刪除；

步驟5：判斷集合F_o中屬性特征的數量是否達到預設數量閾值L，如達到，轉至步驟6，否則，轉至步驟4；

步驟6：輸出最終的集合F_o作為最優特征子集；

將所述最優特征子集輸入至基于權重的多分類器中，采用增量學習的方式，進行網絡流量分類訓練，具體包括：

從預先獲取的特征子集上訓練所得一個基分類器，通過增量學習的方式，將新增的網絡流量及其通過基分類器所得的分類結果作為新的特征子集；初始時只有一個基分類器，該基分類器從事先準備的特征子集即數據集上訓練所得；隨著未知網絡流量的到達以及不斷給出的預測結果，這些網絡流量及其預測結果將構成新的特征子集即數據集；若新的特征子集與前一階段特征子集相比，發生了概念漂移并達到一定程度時，則新增基分類器，采用新的特征子集訓練新增的基分類器，參與預測下一階段的網絡流量的分類結果；

其中，概念漂移的程度判定過程包括假設某類別i被錯誤劃分的比率為p_i，那么它的標準方差為當p_i+2S_i達到最大值，將p_i記為P_max，S_i記為S_max；若滿足則發出警告，并從當前開始存儲數據；若滿足則表示出現了概念漂移現象，則將存儲的數據用來建立新的基分類器；α表示漂移告警閾值；β表示漂移檢測閾值；

優化分類器性能后，對網絡流量進行分類。

2.根據權利要求1所述的一種類不平衡的網絡流量分類方法，其特征在于，所述提取出網絡流量的統計特征包括從TCP協議頭提取，采集該網絡流量所屬類別信息和屬性特征信息。

3.根據權利要求1所述的一種類不平衡的網絡流量分類方法，其特征在于，最優特征子集的獲取方式包括依次利用加權不確定性刪除網絡流量中的不相關特征；利用近似馬爾科夫毯刪除冗余特征；獲得候選特征集合；基于相關性度量的特征評估函數以及序列搜索算法降低候選特征集合的維數；從而確定出最優特征子集。