一種不可分小波支持向量機的對等網(wǎng)絡流量識別系統(tǒng)的制作方法
【專利摘要】本實用新型涉及一種不可分小波支持向量機的對等網(wǎng)絡流量識別系統(tǒng)，該系統(tǒng)分為三個階段：樣本的獲取階段、支持向量機處理階段、控制響應階段，共包括五個模塊：網(wǎng)絡連接的信息處理模塊、數(shù)據(jù)的預處理模塊、支持向量機的訓練模塊、支持向量機的分類模塊和校正模塊。本實用新型將將小波分析中多尺度的學習方法和支持向量機的優(yōu)點結(jié)合起來，通過小波分析與支持向量機方法的緊致結(jié)合，引入小波基函數(shù)來構造支持向量機的核函數(shù)，建立小波支持向量機的對等識別算法，此模型能夠多尺度的使支持向量機對識別對等流量樣本逼近，自適應處理對等流量的非線性變化特征，直至達到要求的精度，而且計算量沒有顯著增加，具有良好的識別效果。
【專利說明】—種不可分小波支持向量機的對等網(wǎng)絡流量識別系統(tǒng)
【技術領域】
[0001]本實用新型涉及一種不可分小波支持向量機的對等網(wǎng)絡流量識別系統(tǒng)，屬于對等網(wǎng)絡【技術領域】。
【背景技術】
[0002]目前，在真實網(wǎng)絡環(huán)境中的對等網(wǎng)絡流量，無論從宏觀上還是微觀上都呈現(xiàn)出非常明顯的自相似性、突變性、多尺度的特性，這些復雜的特性使得一些傳統(tǒng)意義上的識別模型已經(jīng)不能將對等網(wǎng)絡流量進行有效的識別，根據(jù)對等網(wǎng)絡流量的特征進行多種識別方法的組合雖然從一定的程度上能提高對等網(wǎng)絡流量的識別率。但是，在提高識別率的同時，其計算的復雜度越來越高，所需要的識別時間也越來越長，設計的模型不能滿足實時性的需求。
[0003]支持向量機作為針對有限樣本的機器學習方法，已經(jīng)在流量識別研究領域受到了非常廣泛的重視，它是基于結(jié)構風險最小化原理，通過解決凸二次優(yōu)化問題得到全局最優(yōu)解，其具有較高的推廣能力和魯棒性，但是支持向量機只是在一個尺度上對樣本數(shù)據(jù)進行分類，對多尺度樣本的逼近性能并不能令人滿意。
實用新型內(nèi)容
[0004]本實用新型的目的在于提供一種不可分小波支持向量機的對等網(wǎng)絡流量識別系統(tǒng)，此模型能夠多尺度的使支持向量機對識別對等流量樣本逼近，自適應處理對等流量的非線性變化特征，直至達到要求的精度，而且計算量沒有顯著增加，具有良好的識別效果。
[0005]為了實現(xiàn)上述目的，本實用新型的技術方案如下。
[0006]一種不可分小波支持向量機的對等網(wǎng)絡流量識別系統(tǒng)，支持向量機解決樣本的二分類問題具有卓越的分類性能，主要對網(wǎng)絡流量進行二分類，也就是將常見的網(wǎng)絡流量歸結(jié)為非對等流量，將對等流量和非對等流量進行有效的識別，不可分小波支持向量機的對等網(wǎng)絡流量識別系統(tǒng)分為三個階段:樣本的獲取階段、支持向量機處理階段、控制響應階段，該系統(tǒng)包括五個模塊:網(wǎng)絡連接的信息處理模塊、數(shù)據(jù)的預處理模塊、支持向量機的訓練模塊、支持向量機的分類模塊和校正模塊。網(wǎng)絡連接的信息處理模塊輸出端與數(shù)據(jù)的預處理模塊輸入端相連接，處于樣本的獲取階段；數(shù)據(jù)的預處理模塊輸出端與支持向量機的訓練模塊輸入端連接，支持向量機的訓練模塊輸出端與支持向量機的分類模塊輸入端相連接，處于支持向量機處理階段，校正模塊連接在分類模塊和數(shù)據(jù)的預處理模塊之間。上述各模塊的主要功能和工作流程如下:
[0007](I)網(wǎng)絡的連接信息模塊:此模塊是在樣本獲取階段進行處理的，主要完成采集的網(wǎng)絡流量的網(wǎng)絡連接特征，對特征信息進行提取，并且將特征信息轉(zhuǎn)變?yōu)榫W(wǎng)絡連接記錄的形式，初始提取的不同的特征值都包括在每條記錄中。
[0008](2)數(shù)據(jù)預處理模塊:連接信息模塊的連接記錄是在預處理模塊中進行處理的。從連接信息處理模塊中得到的網(wǎng)絡連接的相關信息包含了各種各樣的信息，這些信息既有文字信息也有數(shù)字信息，這些信息有的變化閾值比較大，有的變化閾值比較小，像有些信息僅包含O，I等數(shù)字信息，預處理模塊就是對所有的特征數(shù)據(jù)進行歸一化處理，使其范圍僅在0-1之間的數(shù)值，然后將這些數(shù)值作為支持向量機的輸入向量進行處理。
[0009](3)支持向量機的訓練模塊:訓練模塊對預處理模塊的樣本進行處理，訓練方式有兩種:監(jiān)督學習和非監(jiān)督學習。監(jiān)督學習是將訓練數(shù)據(jù)集中的樣本數(shù)據(jù)均進行標記，非監(jiān)督學習不進行標記，也就是沒有給出分類的類別信息。經(jīng)過支持向量機的訓練，將會得到一組支持向量，然后存入數(shù)據(jù)庫中。
[0010](4)支持向量機分類模塊:該模塊存貯了支持向量機對樣本進行訓練后得到的支持向量庫，用于對樣本的分類，二分類結(jié)果還可以用于支持向量機的多值分類，這里僅考慮二分類的問題。
[0011](5)校正模塊:傳統(tǒng)的支持向量機，完成訓練和分類的過程是一次完成的，這種模式已經(jīng)不能適應不斷變化的網(wǎng)絡數(shù)據(jù)信息，引入校正模塊可以對支持向量機的訓練器進行不定期的調(diào)整，適應網(wǎng)絡數(shù)據(jù)信息的變化，提高訓練器的效果，使得訓練器產(chǎn)生的分類模型更加適合分類器的使用，進而提高識別的精確度。
[0012]該實用新型的有益效果在于:本實用新型將將小波分析中多尺度的學習方法和支持向量機的優(yōu)點結(jié)合起來，通過小波分析與支持向量機方法的緊致結(jié)合，引入小波基函數(shù)來構造支持向量機的核函數(shù)，建立小波支持向量機的對等識別算法，此模型能夠多尺度的使支持向量機對識別對等流量樣本逼近，自適應處理對等流量的非線性變化特征，直至達到要求的精度，而且計算量沒有顯著增加，具有良好的識別效果。
【專利附圖】
【附圖說明】
[0013]圖1是本實用新型實施例中支持向量機的對等流量識別模型框圖。
【具體實施方式】
[0014]下面結(jié)合附圖對本實用新型的【具體實施方式】進行描述，以便更好的理解本實用新型。
[0015]如圖1所示的不可分小波支持向量機的對等網(wǎng)絡流量識別系統(tǒng)，分為三個階段:樣本的獲取階段、支持向量機處理階段、控制響應階段，該系統(tǒng)包括五個模塊:網(wǎng)絡連接的信息處理模塊、數(shù)據(jù)的預處理模塊、支持向量機的訓練模塊、支持向量機的分類模塊和校正模塊。網(wǎng)絡連接的信息處理模塊輸出端與數(shù)據(jù)的預處理模塊輸入端相連接，處于樣本的獲取階段；數(shù)據(jù)的預處理模塊輸出端與支持向量機的訓練模塊輸入端連接，支持向量機的訓練模塊輸出端與支持向量機的分類模塊輸入端相連接，處于支持向量機處理階段，校正模塊連接在分類模塊和數(shù)據(jù)的預處理模塊之間。上述各模塊的主要功能和工作流程如下:
[0016](I)網(wǎng)絡的連接信息模塊:此模塊是在樣本獲取階段進行處理的，主要完成采集的網(wǎng)絡流量的網(wǎng)絡連接特征，對特征信息進行提取，并且將特征信息轉(zhuǎn)變?yōu)榫W(wǎng)絡連接記錄的形式，初始提取的不同的特征值都包括在每條記錄中。
[0017](2)數(shù)據(jù)預處理模塊:連接信息模塊的連接記錄是在預處理模塊中進行處理的。從連接信息處理模塊中得到的網(wǎng)絡連接的相關信息包含了各種各樣的信息，這些信息既有文字信息也有數(shù)字信息，這些信息有的變化閾值比較大，有的變化閾值比較小，像有些信息僅包含O，I等數(shù)字信息，預處理模塊就是對所有的特征數(shù)據(jù)進行歸一化處理，使其范圍僅在0-1之間的數(shù)值，然后將這些數(shù)值作為支持向量機的輸入向量進行處理。
[0018](3)支持向量機的訓練模塊:訓練模塊對預處理模塊的樣本進行處理，訓練方式有兩種:監(jiān)督學習和非監(jiān)督學習。監(jiān)督學習是將訓練數(shù)據(jù)集中的樣本數(shù)據(jù)均進行標記，非監(jiān)督學習不進行標記，也就是沒有給出分類的類別信息。經(jīng)過支持向量機的訓練，將會得到一組支持向量，然后存入數(shù)據(jù)庫中。
[0019](4)支持向量機分類模塊:該模塊存貯了支持向量機對樣本進行訓練后得到的支持向量庫，用于對樣本的分類，二分類結(jié)果還可以用于支持向量機的多值分類，這里僅考慮二分類的問題。
[0020](5)校正模塊:傳統(tǒng)的支持向量機，完成訓練和分類的過程是一次完成的，這種模式已經(jīng)不能適應不斷變化的網(wǎng)絡數(shù)據(jù)信息，引入校正模塊可以對支持向量機的訓練器進行不定期的調(diào)整，適應網(wǎng)絡數(shù)據(jù)信息的變化，提高訓練器的效果，使得訓練器產(chǎn)生的分類模型更加適合分類器的使用，進而提高識別的精確度。
[0021]以上所述是本實用新型的優(yōu)選實施方式，應當指出，對于本【技術領域】的普通技術人員來說，在不脫離本實用新型原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也視為本實用新型的保護范圍。
【權利要求】
1.一種不可分小波支持向量機的對等網(wǎng)絡流量識別系統(tǒng)，其特征在于:該系統(tǒng)分為三個階段:樣本的獲取階段、支持向量機處理階段、控制響應階段，該系統(tǒng)包括五個模塊:網(wǎng)絡連接的信息處理模塊、數(shù)據(jù)的預處理模塊、支持向量機的訓練模塊、支持向量機的分類模塊和校正模塊，所述網(wǎng)絡連接的信息處理模塊輸出端與數(shù)據(jù)的預處理模塊輸入端相連接，處于樣本的獲取階段；所述數(shù)據(jù)的預處理模塊輸出端與支持向量機的訓練模塊輸入端連接，所述支持向量機的訓練模塊輸出端與支持向量機的分類模塊輸入端相連接，處于支持向量機處理階段；所述校正模塊連接在分類模塊和數(shù)據(jù)的預處理模塊之間。
2.根據(jù)權利要求1所述的一種不可分小波支持向量機的對等網(wǎng)絡流量識別系統(tǒng)，其特征在于:所述網(wǎng)絡的連接信息模塊是在樣本獲取階段進行處理的，主要完成采集的網(wǎng)絡流量的網(wǎng)絡連接特征，對特征信息進行提取。
3.根據(jù)權利要求1所述的一種不可分小波支持向量機的對等網(wǎng)絡流量識別系統(tǒng)，其特征在于:所述數(shù)據(jù)預處理模塊對所有的特征數(shù)據(jù)進行歸一化處理，使其范圍僅在0-1之間的數(shù)值，然后將這些數(shù)值作為支持向量機的輸入向量進行處理。
4.根據(jù)權利要求1所述的一種不可分小波支持向量機的對等網(wǎng)絡流量識別系統(tǒng)，其特征在于:所述支持向量機的訓練模塊對預處理模塊的樣本進行處理，訓練方式有兩種:監(jiān)督學習和非監(jiān)督學習。
5.根據(jù)權利要求1所述的一種不可分小波支持向量機的對等網(wǎng)絡流量識別系統(tǒng)，其特征在于:所述支持向量機分類模塊貯了支持向量機對樣本進行訓練后得到的支持向量庫，用于對樣本的分類。
6.根據(jù)權利要求1所述的一種不可分小波支持向量機的對等網(wǎng)絡流量識別系統(tǒng)，其特征在于:所述校正模塊對支持向量機的訓練器進行不定期的調(diào)整，適應網(wǎng)絡數(shù)據(jù)信息的變化，提高訓練器的效果。
【文檔編號】H04L29/08GK203596829SQ201320745362
【公開日】2014年5月14日 申請日期:2013年11月25日 優(yōu)先權日:2013年11月25日
【發(fā)明者】王春枝, 徐慧, 宗欣露, 王淑平, 熊磊, 張會麗, 王明威, 劉曉娟, 夏勇 申請人:湖北工業(yè)大學