欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019111944955
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于SOM与K-means融合算法的网络流量分类方法,其特征在于,包括以下步骤:步骤1,采集网络流量数据集,确定训练集,并统计流量特征;

步骤2,采用基于相关性的特征选择算法对统计后的流量特征进行筛选,然后从筛选后的训练集中计算特征-类相关矩阵和特征-特征相关矩阵,其次用最佳优先搜索方法搜索特征子集空间,计算特征子集的估计值,找出估计值最大的特征子集,作为最优特征子集;

步骤3,融合算法将聚类分为两阶段进行,第一阶段:将最优特征子集对应的特征向量作为输入样本输入SOM网络,执行SOM算法不断更新各个神经元的权值,直至达到设定的迭代次数,结束算法运行,输出聚类结果,计算出聚类后的簇中心和簇的数目;第二阶段:将第一阶段聚类后的簇中心和簇的数目分别作为K-means算法的初始聚类中心和初始K值,执行K-means算法直至算法收敛,输出最终的聚类结果;

步骤311,设置初始学习率η0,竞争层的神经元个数为m,迭代次数设为T;

输入向量为X(n)=(x1(n),x2(n),L,xn(n))权值向量为Wi(t)=(wi1(t),wi2(t),L,win(t)),i=1,2,L,m步骤312,取区间[0,1]内的随机值对竞争层各个神经元的权值向量Wi进行初始化,并对当前输入向量X和初始权值向量Wi(0)全部进行归一化处理:其中, 表示归一化的当前输入向量, 表示归一化的第i个神经元初始权值向量;

步骤313,将 与竞争层所有神经元对应的权值向量 进行相似性对比,即将两者做点积,选出点积值最大的作为获胜神经元i*;

步骤314,定义优胜邻域 一般初始优胜邻域N(t0)较大,训练过程中会随着迭代次数的增加而不断收缩,对优胜邻域 内的所有神经元调整权值向量,权值更新过程如下所示:式中,Wi(t)为第i个神经元在t时刻的权值,η(t)表示t时刻的学习率,学习率会随着迭代次数增加而衰减,d表示拓扑距离,e-d表明离获胜神经元越远,权值更新比例越小;

步骤315,更新学习率η(t)和优胜邻域N(t),如下所示,并将更新后的权值向量重新归一化处理;

步骤316,当学习率η<ηmin或达到指定迭代次数时,结束训练;否则转至步骤312不断重复此流程,直至满足结束判定条件;

步骤321,选取阶段一训练后的聚类中心作为初始聚类中心,选取簇数作为初始K值;

步骤322,使用阶段一归一化处理后的数据集作为输入样本;

步骤323,遍历所有数据,计算数据点到聚类中心的距离,并将其划分到最近的中心点中,形成K个簇;

步骤324,使用误差平方和SSE作为聚类的目标函数:

其中,k表示簇类数目,cj表示第j个聚类中心,dist表示的是欧几里得距离,簇的最小化SSE的簇中心即簇中所有点的均值,因此,计算每个簇的平均值,将其作为新的簇中心;

步骤325,重复步骤步骤323、步骤324,直至簇中心不再发生改变,则视为算法已经收敛,输出聚类结果;

步骤4,使用S_Dbw指数评估算法的聚类效果。

2.根据权利要求1所述基于SOM与K-means融合算法的网络流量分类方法,其特征在于:步骤2中所述的基于相关性的特征选择算法包括以下步骤:

预设一个集合D,集合D开始于空集,第一步先计算所有可能的单个特征的估计值,由merit值表示,并选择merit值最大的一个特征加入D,使D成为了一维的特征向量,然后选择剩余特征中拥有最大的merit值的特征加入D,如果这个二维的特征向量D的merit值小于原来的merit值,则去除这个特征,寻找下一个merit值最大的特征加入D,维度依次增加,不断重复上述过程,直至集合D的merit值无法再增大,得到估计值最大的特征子集;

merit值的公式如下:

其中,merit为特征子集的估计值,n为特征的个数,rcf为特征-类平均相关系数,rff为特征-特征平均相关系数。

3.根据权利要求2所述基于SOM与K-means融合算法的网络流量分类方法,其特征在于:步骤3中SOM算法包括三个过程:竞争过程、合作过程、突触自适应过程,竞争过程:当网络得到一个输入向量X时,竞争层的所有神经元对应的权重向量Wi(t)均与其进行相似性比较,并将最相似的权重向量所对应的神经元判为竞争获胜神经元,相似度最大即向量的内积最大;

合作过程:获胜神经元决定兴奋神经元的拓扑邻域的空间位置,从而提供相邻神经元合作的基础;

突触自适应过程:在确定获胜神经元的拓扑邻域之后,调整邻域内各个神经元对应的权值向量,距离获胜神经元越远,被抑制的程度越大,即权重所占比例越小;

三个过程依次循环进行,直至学习率衰减为0,算法收敛,随着竞争过程的进行,神经元逐渐趋近于聚类中心。

4.根据权利要求3所述基于SOM与K-means融合算法的网络流量分类方法,其特征在于:步骤4中的聚类效果评估指数。

S_Dbw指数由两项组成,分别是簇间密度和簇内方差,使用它评价不同参数下的聚类算法结果时,取S_Dbw值最小的一组参数即可;

S_Dbw(k)=Scat(k)+Dens_bw(k)

其中,Dens_bw(k)表示簇间密度,用来评估含有两个簇的簇群密度和单个簇的密度的关系,k表示簇的数目,density(u)用来表示u周围点的数目,ca,cb分别表示簇a和簇b的簇中心,uab表示ca,cb连线的中点;Scat(k)表示簇内方差,用来表示簇之间的平均分散度;σ(va)表示簇a的方差,σ(S)表示数据集S的方差;S_Dbw(k)表示聚类效果评估指数。