[发明专利]基于改进K-means算法的网络流量分类方法及系统

说明书

本发明公开了一种基于改进K‑means算法的网络流量分类方法及系统，所述方法包括步骤：判断初始聚类中心集合中网络流量数据点的总数NIC是否达到期望的网络流量簇数量k值，若没有达到k值，则计算高密度网络流量数据点集合中各个网络流量数据点的候选度量值，选择候选度量值最大的网络流量数据点并将其加入到初始聚类中心集合中，并从高密度网络流量数据点集合中去除该网络流量数据点，然后重复该步骤直至初始聚类中心集合中网络流量数据点的总数NIC达到k值，步骤结束。本发明能够保证较高的网络流量分类准确率。

技术领域

本发明涉及一种基于改进K-means算法的网络流量分类方法及系统，属于网络流量分类技术领域。

背景技术

网络流量分类技术是分析网络流量特征和增强网络可控性的基本手段之一，早期的网络流量分类方法主要是基于端口，但是随着网络中的数据复杂度增加，很多协议不再遵循这样的规则，而很多p2p软件对端口的使用具有随机性和并发性的特点，这类软件大部分都同时使用多个端口，另外有些应用会故意伪装端口，例如使用DNS隧道可以绕开ACL或者流量审计，因此基于端口的网络流量分类不再可靠。

还有一种网络流量分类方法是基于数据包特征标识的，有些数据包特征标识只对应一个应用，从而可以通过识别特征标识来区分数据包，这种方法简单而且正确率高。但是一旦协议发生改变，该方法就要重新调节特征标识，从而对协议变化的反应不够迅速，另外，对于特征标识的识别工作很大程度上依赖人的劳动，这会耗费较大人力和时间。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于改进K-means算法的网络流量分类方法及系统，能够保证较高的网络流量分类准确率。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种基于改进K-means算法的网络流量分类方法，所述方法包括如下步骤：

步骤1：定义网络流量数据点数量为N；

定义距离第i个网络流量数据点为第n近的网络流量数据点与第i个网络流量数据点之间的欧氏距离为第i个网络流量数据点的第n距离(i＝1,2,3...N)；

定义距离第i个网络流量数据点最近到第n近之间的所有网络流量数据点(所有网络流量数据点包括距离第i个网络流量数据点最近的网络流量数据点和距离第i个网络流量数据点为第n近的网络流量数据点)在以第i个网络流量数据点为球心，以第i个网络流量数据点的第n距离为半径r的多维空间超球体中的分布密度为第i个网络流量数据点的第n密度D_in，且距离第i个网络流量数据点从最近到第n近的网络流量数据点分别有且只有一个；

输入待聚类的网络流量数据点集和期望的网络流量簇数量k；

确定第i个网络流量数据点的第n距离中n的具体数值；

计算所有网络流量数据点的第n密度的平均值avg；

将所有网络流量数据点中第n密度大于avg的网络流量数据点加入到高密度网络流量数据点集合中；

选取高密度网络流量数据点集合中第n密度最大的网络流量数据点，将其加入到初始聚类中心集合中，并从高密度网络流量数据点集合中去除该网络流量数据点；

步骤2：判断初始聚类中心集合中网络流量数据点的总数NIC是否达到期望的网络流量簇数量k值，若没有达到k值，则计算高密度网络流量数据点集合中各个网络流量数据点的候选度量值，选择候选度量值最大的网络流量数据点并将其加入到初始聚类中心集合中，并从高密度网络流量数据点集合中去除该网络流量数据点，然后重复步骤2直至初始聚类中心集合中网络流量数据点的总数NIC达到k值，步骤2结束。

结合第一方面，进一步的，第i个网络流量数据点的第n密度D_in的计算公式为