[发明专利]一种基于动态二叉树的SVM多分类方法

权利要求书

1.一种基于动态二叉树的SVM多分类方法，首先利用训练好的多个二分类SVM构造二叉树结构的SVM多分类器，然后利用所构造的SVM多分类器对测试样本集进行分类；其特征在于，所述利用所构造的SVM多分类器对测试样本集进行分类，具体包括以下步骤：

步骤1、将测试样本集中的第一个测试样本输入所述SVM多分类器的根节点，并将SVM多分类器中各二分类SVM的调整因子初始化为0，所述调整因子的定义为该二分类SVM的分类成功次数与分类总次数的比值，分类成功次数为通过该二分类SVM并且输出结果为+1的测试样本的个数，分类总次数是指通过该二分类SVM的测试样本的总数；

步骤2、如当前节点为空节点，则分类过程结束，转到步骤4，否则，转至步骤3；

步骤3、用当前二分类SVM对待分类样本进行分类，如输出结果为-1，则根据输出结果动态调整当前二分类SVM的调整因子，并将该测试样本输入给当前二分类SVM的子节点所对应的二分类SVM，然后转步骤2；若为+1，则根据输出结果动态调整当前二分类SVM的调整因子，分类过程结束，转至步骤4；

步骤4、判断SVM多分类器中各二分类SVM的调整因子的最大值与最小值之间的比值是否大于一预设的调整阈值，如是，则按照以下方法重新调整所述SVM多分类器的二叉树结构：将调整因子值大的SVM向二叉树的根部位置调整，即调整因子最大的SVM作为根节点，次大的SVM作为根节点的子节点，以此类推，建立新的二叉树结构；如否，则保持二叉树的结构不变；

步骤5、将测试样本集中的下一个测试样本输入所述SVM多分类器的根节点，并重复执行步骤2—步骤4，直至测试样本集中所有测试样本均完成分类。

2.一种网络告警预测方法，对告警的时间序列进行分类，分类结果即为预测结果，其特征在于，所述对告警的时间序列进行分类，包括以下步骤：

步骤A、对一类网络告警历史数据进行向量提取并进行预处理，得到该类网络告警的训练样本；

步骤B、利用得到的训练样本对二分类SVM进行训练，得到该类网络告警的二分类SVM；

步骤C、选取多类网络告警历史数据分别重复步骤A—步骤B，得到多个训练好的二分类SVM；

步骤D、利用得到的多个训练好的二分类SVM，使用权利要求1所述基于动态二叉树的SVM多分类方法对告警的时间序列进行分类，分类结果即为预测结果。

3.一种P2P流量分类方法，用于对P2P流量所属类型进行识别，其特征在于，包括以下步骤：

步骤A、对一类P2P流量数据进行特征提取，得到该类P2P流量的训练样本；

步骤B、利用得到的训练样本对二分类SVM进行训练，得到该类P2P流量的二分类SVM；

步骤C、选取多类P2P流量数据分别重复步骤A—步骤B，得到多个训练好的二分类SVM；

步骤D、利用得到的多个训练好的二分类SVM，使用权利要求1所述基于动态二叉树的SVM多分类方法对P2P流量数据进行分类。

4.一种图像语义分类方法，其特征在于，包括以下步骤：

步骤A、对一类图像进行语义特征提取，得到该类图像的训练样本；

步骤B、利用得到的训练样本对二分类SVM进行训练，得到该类图像的二分类SVM；

步骤C、选取多类图像分别重复步骤A—步骤B，得到多个训练好的二分类SVM；

步骤D、利用得到的多个训练好的二分类SVM，使用权利要求1所述基于动态二叉树的SVM多分类方法对图像进行语义分类。

5.一种网络攻击检测方法，通过对网络数据包进行分类，判断是否发生网络攻击，其特征在于，所述对网络数据包进行分类，包括以下步骤：

步骤A、对一类网络攻击数据进行特征提取，得到该类网络攻击的训练样本；

步骤B、利用得到的训练样本对二分类SVM进行训练，得到该类网络攻击的二分类SVM；

步骤C、选取多类已知的网络攻击数据分别重复步骤A—步骤B，得到多个训练好的二分类SVM；

步骤D、利用得到的多个训练好的二分类SVM，使用权利要求1所述基于动态二叉树的SVM多分类方法对网络数据包进行分类。

6.一种网页分类方法，其特征在于，包括以下步骤：

步骤A、对一类网页数据进行特征提取，得到该类网页的训练样本；

步骤B、利用得到的训练样本对二分类SVM进行训练，得到该类网页的二分类SVM；

步骤C、选取多类网页数据分别重复步骤A—步骤B，得到多个训练好的二分类SVM；

步骤D、利用得到的多个训练好的二分类SVM，使用权利要求1所述基于动态二叉树的SVM多分类方法对网页进行分类。