[实用新型]一种不可分小波支持向量机的对等网络流量识别系统

说明书

技术领域

本实用新型涉及一种不可分小波支持向量机的对等网络流量识别系统，属于对等网络技术领域。

背景技术

目前，在真实网络环境中的对等网络流量，无论从宏观上还是微观上都呈现出非常明显的自相似性、突变性、多尺度的特性，这些复杂的特性使得一些传统意义上的识别模型已经不能将对等网络流量进行有效的识别，根据对等网络流量的特征进行多种识别方法的组合虽然从一定的程度上能提高对等网络流量的识别率。但是，在提高识别率的同时，其计算的复杂度越来越高，所需要的识别时间也越来越长，设计的模型不能满足实时性的需求。

支持向量机作为针对有限样本的机器学习方法，已经在流量识别研究领域受到了非常广泛的重视，它是基于结构风险最小化原理，通过解决凸二次优化问题得到全局最优解，其具有较高的推广能力和鲁棒性，但是支持向量机只是在一个尺度上对样本数据进行分类，对多尺度样本的逼近性能并不能令人满意。

实用新型内容

本实用新型的目的在于提供一种不可分小波支持向量机的对等网络流量识别系统，此模型能够多尺度的使支持向量机对识别对等流量样本逼近，自适应处理对等流量的非线性变化特征，直至达到要求的精度，而且计算量没有显著增加，具有良好的识别效果。

为了实现上述目的，本实用新型的技术方案如下。

一种不可分小波支持向量机的对等网络流量识别系统，支持向量机解决样本的二分类问题具有卓越的分类性能，主要对网络流量进行二分类，也就是将常见的网络流量归结为非对等流量，将对等流量和非对等流量进行有效的识别，不可分小波支持向量机的对等网络流量识别系统分为三个阶段：样本的获取阶段、支持向量机处理阶段、控制响应阶段，该系统包括五个模块：网络连接的信息处理模块、数据的预处理模块、支持向量机的训练模块、支持向量机的分类模块和校正模块。网络连接的信息处理模块输出端与数据的预处理模块输入端相连接，处于样本的获取阶段；数据的预处理模块输出端与支持向量机的训练模块输入端连接，支持向量机的训练模块输出端与支持向量机的分类模块输入端相连接，处于支持向量机处理阶段，校正模块连接在分类模块和数据的预处理模块之间。上述各模块的主要功能和工作流程如下：

(1)网络的连接信息模块：此模块是在样本获取阶段进行处理的，主要完成采集的网络流量的网络连接特征，对特征信息进行提取，并且将特征信息转变为网络连接记录的形式，初始提取的不同的特征值都包括在每条记录中。

(2)数据预处理模块：连接信息模块的连接记录是在预处理模块中进行处理的。从连接信息处理模块中得到的网络连接的相关信息包含了各种各样的信息，这些信息既有文字信息也有数字信息，这些信息有的变化阈值比较大，有的变化阈值比较小，像有些信息仅包含0，1等数字信息，预处理模块就是对所有的特征数据进行归一化处理，使其范围仅在0-1之间的数值，然后将这些数值作为支持向量机的输入向量进行处理。

(3)支持向量机的训练模块：训练模块对预处理模块的样本进行处理，训练方式有两种：监督学习和非监督学习。监督学习是将训练数据集中的样本数据均进行标记，非监督学习不进行标记，也就是没有给出分类的类别信息。经过支持向量机的训练，将会得到一组支持向量，然后存入数据库中。

(4)支持向量机分类模块：该模块存贮了支持向量机对样本进行训练后得到的支持向量库，用于对样本的分类，二分类结果还可以用于支持向量机的多值分类，这里仅考虑二分类的问题。

(5)校正模块：传统的支持向量机，完成训练和分类的过程是一次完成的，这种模式已经不能适应不断变化的网络数据信息，引入校正模块可以对支持向量机的训练器进行不定期的调整，适应网络数据信息的变化，提高训练器的效果，使得训练器产生的分类模型更加适合分类器的使用，进而提高识别的精确度。

该实用新型的有益效果在于：本实用新型将将小波分析中多尺度的学习方法和支持向量机的优点结合起来，通过小波分析与支持向量机方法的紧致结合，引入小波基函数来构造支持向量机的核函数，建立小波支持向量机的对等识别算法，此模型能够多尺度的使支持向量机对识别对等流量样本逼近，自适应处理对等流量的非线性变化特征，直至达到要求的精度，而且计算量没有显著增加，具有良好的识别效果。

附图说明

图1是本实用新型实施例中支持向量机的对等流量识别模型框图。

具体实施方式

下面结合附图对本实用新型的具体实施方式进行描述，以便更好的理解本实用新型。