[发明专利]基于粒子群优化算法的视频流特征选择与分类方法

权利要求书

1.基于粒子群优化算法的视频流特征选择与分类方法，其特征在于，包括以下步骤：

步骤1：在开放的互联网环境中使用网络封包分析软件获取所需的实验数据，然后对数据包进行过滤，最后对这些网络视频业务流进行基本的统计特征计算；

步骤2：对上述计算得出的视频业务流的统计特征进行分析，选择出能有效区分业务流的特征组合；

步骤3：根据设计的三层SVM级联分类器对原始的视频业务流进行分类实验，得到最终的分类结果。

2.根据权利要求1所述的基于粒子群优化算法的视频流特征选择与分类方法，其特征在于，所述方法的步骤1具体包括：

步骤1-1：在开放的互联网环境中，通过网络封包分析软件抓取所需的视频业务流数据，然后对原始的数据进行简单预处理，转换成标准的五元组文本格式，即数据包到达的时间、源IP地址、目的IP地址、协议、数据包分组大小；

步骤1-2：对数据包过滤是指滤除不感兴趣或者不会对分类结果产生影响的数据包；

步骤1-3：对原始视频流的标准五元组文件进行基本的统计特征计算，这些特征包括：包大小、包大小的均值与方差、包大小信息熵、包间隔的均值与方差、字节速率、分组速率、上下行字节数之比、上下行包大小之比。

3.根据权利要求1所述的基于粒子群优化算法的视频流特征选择与分类方法，其特征在于，所述方法的步骤2具体包括：

步骤2-1：对所有视频业务流的统计特征进行离散化操作，降低特征选择过程中的计算开销；

步骤2-2：利用特征权重算法计算每个统计特征的权重；

步骤2-3：根据特征权重的排名，去掉部分与类别关联较小的特征，选取权重最大的N个特征，降低原始特征空间的维数，减少后续操作的计算复杂度；

步骤2-3：在上一步选取的N个特征子集中，选取特征权重排名靠前的M个特征作为先验知识，指导粒子群优化算法的种群初始化，将每个粒子的初始位置设为最优位置；迭代次数设为1；

步骤2-4：将不一致率作为粒子群优化算法的适应度函数，利用适应度函数计算粒子的整体适应度，将样本实例中的一个特征组合称为一个模式，特征子集的所有模式的不一致数，就等于该模式出现的样本总数减去出现次数最多的某一类标签的样本数，不一致率就等于不一致数除以样本总数；

步骤2-5：如果当前粒子的适应度小于粒子自身最优位置的适应度，将粒子自身最优位置更新为当前位置；如果粒子自身最优位置的整体适应度小于种群的最优位置的适应度，将种群的最优位置更新为粒子自身最优位置；

步骤2-6：根据当前粒子的位置和速度信息更新粒子群的位置和速度；

步骤2-7：若满足最大迭代次数或不一致率在迭代过程中持续不变，则输出最优解；否则，重复步骤2-5到步骤2-6。

4.根据权利要求3所述的基于粒子群优化算法的视频流特征选择与分类方法，其特征在于步骤2-3中的N为10，M为2。

5.根据权利要求1所述的基于粒子群优化算法的视频流特征选择与分类方法，其特征在于，所述方法的步骤3具体包括：

步骤3-1：利用特征选择方法对原始视频业务流特征进行选择，并进行第一层SVM分类，得到分类结果C1,C2,C3,C4；其中，C1为即时通信类视频，C2为P2P类视频，C3为http下载，C4为在线视频，包含直播和非直播两类；

步骤3-2：对上一层分类结果C4的数据流特征再次使用特征选择方法进行特征选择，并进行第二层SVM分类，得到分类结果C41,C4；其中，C41为在线直播视频，C42为在线非直播视频；

步骤3-3：对上一层分类结果C42的数据流特征再次使用特征选择方法进行特征选择，并进行第三层SVM分类，得到分类结果C421,C422,C433；其中，C421为标清视频，C422为高清视频，C423为超清视频；

步骤3-4：统计分类输出结果。