[发明专利]一种基于灰狼算法的网络流量分类方法及装置

说明书

本发明实施例公开了一种基于灰狼算法的网络流量分类方法及装置，用于解决现有的网络流量分类方法对网络流量间进行多尺度分解，采用的小波变换只在低频部分对网络流量进行分解，导致分解的精确度不够高，影响了对后期网络流量的聚类和分类，基于群智能算法的聚类优化模型易陷入局部最优解，收敛速度慢，导致该模型在网络流量分类识别的准确性和效率不高的技术问题。本发明实施例的一种基于灰狼算法的网络流量分类方法包括：S1：通过小波包变换对网络流量数据进行多层次和多尺度预处理分解；S2：通过新型群智能算法‑灰狼横纵多维混沌寻优算法优化FCM聚类算法模型，通过FCM聚类算法模型对分解后的网络流量数据进行分类。

技术领域

本发明涉及网络流量分类领域，尤其涉及一种基于灰狼算法的网络流量分类方法及装置。

背景技术

精确的网络流量分类识别不仅是流量工程实施、应用服务区分、用户行为监控的基础，而且是业务结构优化、QoS保障及网络安全管理的重要保障。传统流量识别方法是基于互联网号码分配局指定的固定服务端口实现的，通过不同的服务端口识别流量的应用协议。然而随着P2P技术及私有协议的广泛应用，大量的应用协议都使用动态端口的方式实现数据传输，导致传统依据服务端口的识别方法不再有效。

裴杨等人提出基于SVM的网络流量分类方法，但是由于SVM算法复杂度高，不适合海量网络数据梳理。吴剑飞提出了模糊C均值(Fuzzy C-Means,FCM)算法作为聚类器，应用在网络流量分类中。由于FCM算法具有简单、快速的优点，被广泛应用于海量网络数据的分析，但是由于该算法对初始质心敏感，并且基于梯度下降进行搜索常常使算法陷入局部最优。为了解决这一问题，有学者将遗传算法引入聚类算法中，虽然提高了算法的全局搜索能力，但优化结果不稳定。魏新红对PSO的粒子编码进行简化，消除了样本向量维数对粒子群聚类算法的影响，但是操作步骤复杂，控制参数较多。

发明内容

本发明实施例提供了一种基于灰狼算法的网络流量分类方法及装置，解决了现有的网络流量分类方法对网络流量间进行多尺度分解，采用的小波变换只在低频部分对网络流量进行分解，导致分解的精确度不够高，影响了对后期网络流量的聚类和分类，基于群智能算法的聚类优化模型易陷入局部最优解，收敛速度慢，导致该模型在网络流量分类识别的准确性和效率不高的技术问题。

本发明实施例提供的一种基于灰狼算法的网络流量分类方法，包括

S1：通过小波包变换对网络流量数据进行多层次和多尺度预处理分解；

S2：通过新型群智能算法-灰狼横纵多维混沌寻优算法优化FCM聚类算法模型，通过FCM聚类算法模型对分解后的网络流量数据进行分类。

优选地，所述步骤S1具体包括：

通过低通滤波器H和高通滤波器G，通过小波包变换对n个网络流量时间序列信号数据分解为一层低频信号序列组和高频信号序列组，将一层所述低频信号序列组和所述高频信号序列组通过预定的分解函数和重构函数分别分解为下一层的两个低频信号子序列组和两个高频信号子序列组。

优选地，所述步骤S2具体包括：

S21：接收分解后的n个网络流量时间序列信号数据、网络流量时间序列信号数据的c个聚类构成的聚类集、网络流量时间序列信号数据的第j个网络流量时间序列信号数据x_j对网络流量时间序列信号数据的聚类集的第i个聚类的隶属度u_ij、人工灰狼种群、最大迭代次数Maxgen，对网络流量时间序列信号数据进行归一化处理，对人工灰狼种群中的每个人工灰狼粒子进行拆分成c个聚类，通过第j个网络流量时间序列信号数据对第i个聚类的隶属度u_ij把n个网络流量时间序列信号数据分到不同的每个人工灰狼粒子的聚类中，通过预定的适应度公式计算每个人工灰狼粒子的适应度值，每个人工灰狼粒子对网络流量时间序列信号数据所处空间横向向量和纵向向量分别通过预定的人工灰狼粒子在空间横向向量和纵向向量的位置迭代公式分别进行横向迭代寻优和纵向迭代寻优；