[发明专利]一种有监督判别流形学习的Netflow数据降维方法

摘要

本发明属于数据处理领域，公开一种有监督判别流形学习的Netflow数据降维方法，步骤(1)：获取来自局域网路由器的Netflow数据包并存入数据库；步骤(2)：建立Netflow数据矩阵X＝[y₁,y₂,...,y_n]；步骤(3)：建立近邻矩阵H_ij，结合近邻矩阵H_ij的近邻关系，构造有监督判别矩阵S_ij；步骤(4)：计算局部散度矩阵S_L与全局散度矩阵S_N；建立约束目标函数模型J(A)，利用约束目标函数模型J(A)寻找一个同时具有最大全局散度矩阵和最小局部散度矩阵的低维投影子空间；步骤(5)：特征分解：根据约束目标函数模型J(A)，特征分解求得约束目标函数的解，并取前r个特征值所对应的的特征向量组成线性投影矩阵得到高维网络数据在低维空间的投影。本发明有效降低了输入样本的维度，降低Netflow数据量的大小减小了运算量。

主权项

1.一种有监督判别流形学习的Netflow数据降维方法，其特征在于：包含如下步骤：/n步骤(1)：数据源获取：通过Hadoop中的Flume组件获取来自局域网路由器的Netflow数据包并存入数据库；/n步骤(2)：根据Netflow数据包的数据，建立Netflow数据矩阵X＝[y₁,y₂,...,y_n]，将某一时刻t_i的Netflow数据的各属性构成的向量作为Netflow数据矩阵X的行向量，每间隔固定的时间间隔生成一条行向量y_i，i＝1,2,3...n；/n步骤(3)：针对Netflow数据矩阵X，根据数据集上高维空间数据的样本点的局部近邻关系，沿用流形学习方法，建立近邻矩阵H_ij；结合近邻矩阵H_ij的近邻关系，利用数据集的类别标签信息，构造有监督判别矩阵S_ij；/n步骤(4)：根据有监督判别矩阵S_ij，沿用流形学习方法，计算局部散度矩阵S_L与全局散度矩阵S_N；建立约束目标函数模型J(A)，利用约束目标函数模型J(A)寻找一个同时具有最大全局散度矩阵和最小局部散度矩阵的低维投影子空间；/n步骤(5)：特征分解：根据约束目标函数模型J(A)，特征分解求得约束目标函数的解，并取前r个特征值所对应的的特征向量组成线性投影矩阵[A₁,A₂,...,Α_r]，以得到高维网络数据在低维空间的投影。/n