[发明专利]一种基于壳向量式SVM增量学习模型的流量实时分类方法

权利要求书

1.一种基于壳向量式SVM增量学习模型的流量实时分类方法，其特征在于，包括以下步骤：

1)对初始训练数据按特征维度分别进行归一化得到初始特征集FT1；

2)对初始特征集FT1采用FCBF算法进行特征选取，删除冗余特征和不相关特征得到优化特征集FT2：

3)对优化特征集FT2采用PCA算法进行处理，实现特征提取操作得到特征集FT3，将主要信息集中在少数维度；

4)以特征集FT3训练SVM模型，得到初始模型，使用初始模型对网络流量分类并得到含有样本几何信息的壳向量集合；

5)在实现增量学习过程中，根据新网络流量的信息和壳向量来更新模型；

6)使用更新后的模型进行网络流量实时在线分类。

2.根据权利要求1所述的一种基于壳向量式SVM增量学习模型的流量实时分类方法，其特征在于，所述步骤1)中，按特征维度进行归一化是对初始训练数据中每一维特征分别进行线性变换，使每一维特征值在保持原有数据意义下映射到[0,1]之间，消除各维度特征值量纲差别带来的影响，从而得到归一化后的特征集，表示为其中包含n个样本，每个样本有d个维度。

3.根据权利要求1所述的一种基于壳向量式SVM增量学习模型的流量实时分类方法，其特征在于，所述步骤2)中，FCBF算法实现步骤如下：

2.1)计算每个特征F_i与目标O之间的相关性；

2.2)将相关性SU(F_i,O)大于预先设置好的阈值δ的特征选出并从大到小排列；

2.3)依次遍历降序排列中小于SU(F_i,O)的所有特征F_j并计算SU(F_i,F_j)；如果SU(F_i,F_j)大于等于SU(F_j,O)，则删除特征F_j；；如果SU(F_i,F_j)小于SU(F_j,O)，则保留特征F_j；最后得到无重复特征的特征子集FT2。

4.根据权利要求3所述的一种基于壳向量式SVM增量学习模型的流量实时分类方法，其特征在于，步骤2.1)中，目标O依次取特征集的所属类别，则特征F_i与目标O之间的相关性其中IG(X,Y)＝E(X)-E(X|Y)，IG(X,Y)表示信息增益，E(X)、E(Y)表示信息熵，E(X|Y)表示当随机变量Y单独发生时，随机变量X发生的条件概率，P(x_i)表示特征x取值为i时的概率，z为类别数。

5.根据权利要求3所述的一种基于壳向量式SVM增量学习模型的流量实时分类方法，其特征在于，步骤2.2)中阈值δ取值为0.02。

6.根据权利要求1所述的一种基于壳向量式SVM增量学习模型的流量实时分类方法，其特征在于，步骤3)中通过坐标轴的旋转实现将特征集的主要信息集中在少数维度。

7.根据权利要求1所述的一种基于壳向量式SVM增量学习模型的流量实时分类方法，其特征在于，步骤4)中壳向量集合是特征集几何意义上最边缘的数据，即特征集最外层数据，以基于最小超球概念求解。