1.一种网络流量数据分类方法,其特征在于,包括以下步骤:
(1)获取系统的真实数据集和网络流量数据训练集;
(2)将数据集中的离散型数据转换为数值型数据;
(3)将数据集的数值型数据进行归一化;
(4)从数据集中计算特征-类别和特征-特征相关矩阵,用最佳优先搜索方法得到特征子集空间;
(5)通过计算特征子集空间中特征向量与对应的特征值,使用特征值大的特征向量对特征子集空间进行降维;
(6)计算步骤(5)所得特征子集空间中网络流量数据训练集的特征向量和真实数据集的特征向量间的欧氏距离,选取网络流量数据训练集中欧式距离最小的几个数据,确定其所在类别的出现频率,将出现频率最高的类别作为所述真实数据的预测分类。
2.根据权利要求1所述的网络流量数据分类方法,其特征在于,步骤(4)中所述的最佳优先搜索方法具体为:(1)使用启发式方程计算第i个特征向量的估计值Merit,其中,l为特征子集包含特征向量的个数,z是第i个特征向量所对应的类别, 是特征与类别之间的相关系数的平均值; 是特征与特征之间的相关系数的平均值;
(2)建立Merit最大的l个特征向量组成的特征子集空间。
3.根据权利要求1所述的网络流量数据分类方法,其特征在于,步骤(5)中进行降维的方法具体为:计算特征子集空间矩阵X的协方差矩阵,将协方差矩阵的特征向量按照对应特征值从大到小排列,取最大的t个特征值对应的特征向量组成矩阵P,Y=PX即为降维到t维后的特征子集空间。
4.根据权利要求1所述的网络流量数据分类方法,其特征在于,步骤(6)中所述欧式距离d的计算公式为:其中,ai为特征子集空间中网络流量数据集的特征向量的第i列的特征值,bi为特征子集空间中训练数据集的特征向量的第i列的特征值,n表示特征向量的特征维度。
5.一种设备,包括计算机存储器和处理器,所述的存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得处理器执行如权利要求1至4任一项所述的网络流量数据分类方法。
6.一种计算机存储介质,其上存储有计算机程序,其特征在于:所述的计算机程序在被计算机处理器执行时实现如权利要求1至4任一项所述的网络流量数据分类方法。