[发明专利]一种融合通信网络流量异常检测方法及系统

权利要求书

1.一种融合通信网络流量异常检测方法，其特征在于，包括：

获取融合通信网络的流量数据；所述流量数据包括：网络状态数据、协议分析数据、业务运行状态数据以及相应的网络流量状态；所述网络状态数据包括：吞吐量、包流量、时延抖动和呼叫流量；所述协议分析数据包括：协议类型、协议包长度、连接持续时间、端口信息和IP信息；所述业务运行状态数据包括业务故障信息；所述网络流量状态包括网络流量异常或网络流量正常；

根据所述流量数据，基于K折交叉验证，采用非贪婪教与学优化算法确定网络流量异常检测模型；所述网络异常检测模型以网络状态数据、协议分析数据以及业务运行状态数据为输入，以所述网络流量状态为输出；

根据待检测的融合通信网络的网络状态数据、协议分析数据以及业务运行状态数据，采用所述网络异常检测模型，确定所述待检测的融合通信网络的网络流量状态；

所述根据所述流量数据，基于K折交叉验证，采用非贪婪教与学优化算法确定网络流量异常检测模型，具体包括：

获取机器学习算法；所述机器学习算法包括：支持向量机、决策树以及神经网络；

基于K折交叉验证，采用非贪婪教与学优化算法，优化所述机器学习算法的参数；所述参数包括惩罚系数和核宽；

根据所述流量数据和优化后的所述机器学习算法的参数确定网络流量异常检测模型；

所述基于K折交叉验证，采用非贪婪教与学优化算法，优化所述机器学习算法的参数，具体包括：

初始化非贪婪教与学优化算法参数；所述非贪婪教与学优化算法参数包括学生数量，最大迭代次数，非贪婪系数，惩罚系数的搜索空间和核宽的搜索空间；

随机初始化N个学生个体，并基于K折交叉验证策略，计算每个学生个体的适应度；所述学生个体为机器学习算法的参数；

根据所述适应度确定最优学生个体和最差学生个体，并基于最优学生个体和最差学生个体进行第一阶段学习；所述最优学生个体为适应度最大的学生个体；所述最差学生个体为适应度最小的学生个体；

计算第一阶段学习后的学生个体适应度；

基于非贪婪策略更新学生个体；

根据历史的最优学生个体和随机的学生个体进行第二阶段学习；

计算第二阶段学习后的学生个体适应度；

基于非贪婪策略二次更新学生个体；

判断是否达到最大迭代次数；

若达到，则将最优学生个体确定为优化后的所述机器学习算法的参数；

若没有达到，则返回所述根据所述适应度确定最优学生个体和最差学生个体，并基于最优学生个体和最差学生个体进行第一阶段学习的步骤；

采用非贪婪教与学优化算法进行参数优化的具体过程为：

步骤1：非贪婪教与学优化算法初始化，包括学生数量N，最大迭代次数T，非贪婪系数，以及异常检测算法的M个参数的搜索空间；

步骤2：学生个体初始化，随机产生N个学生个体S_i = [S_i，1，…，S_i，D](i=1，2，..，N)，S_i，1，S_i，D分别表示学生个体所代表的异常检测算法的第1个和第D个参数，针对离散取值的参数，采用四舍五入取值策略将连续值映射为离散值；

步骤3：计算每个学生i的适应度f_i，该适应度基于学生i所表示的异常检测算法参数值，以内部K折交叉验证策略计算该参数训练得到的异常检测模型的准确度指标F1-score的平均值(F1_avg)和方差(F1_sd)，然后根据公式计算学生i的适应度f_i；

步骤4：基于公式，采用非贪婪策略更新学生个体，其中，rand为[0，1]中的随机数，S_i为原始个体，S_kbest为当前学生个体中的最优个体，S_kworst为当前学生个体最差个体，M_i为当前所有个体的平均值，T_F1为最优个体和最差个体引导因子，，T_F2为最差个体引导因子，；random(a，b)为随机函数，从[a，b]中随机产生一个数值；非贪婪策略更新如公式所示，random_select(.)为随机选择，greedy_select(.)为贪婪选择，总是选择最优个体，为更新后的学生个体，进入下一阶段学习过程；

步骤5：基于公式采用非贪婪策略进行第二阶段学习更新学生个体，其中S_k，j为随机选择的不同于S_i，j的个体，S_gbest，j为S_i，j个体的历史最优，rand为[0，1]中的随机数，同样采用如公式所示的非贪婪策略更新学生个体，更新后的个体进入下一轮学习过程；

步骤6：判断是否达到最大迭代次数T，若是则转到步骤7，否则转到步骤4；

步骤7：获取具有最大适应度的学生个体，即最优的异常检测算法参数取值。