[发明专利]一种具有最优个体收敛速率网络流量分类方法

权利要求书

1.一种最优个体收敛速率网络流量分类方法，包括以下步骤：

(1)输入网络流量数据，进行预处理工作，并划分训练样本与测试样本；

将Moore数据集转换为一个二分类数据集，使用WWW流量作为正样本，使用其他流量作为负样本；

(2)随机抽取训练样本，采用随机一阶梯度算法进行训练模型；

所述的随机一阶梯度算法的具体步骤为：

步骤21、首先初始化权值w₀，θ₀；

步骤22、每一轮迭代都只随机抽取一个训练样本；

步骤23、计算抽取样本对应目标函数的次梯度

步骤24、进行算法循环迭代：t＝1,2,...,10000，

其中，y_t表示算法在第t轮迭代中求解梯度的位置，θ是一种权重参数，这里取a和γ均为步长参数，a_t为常数取1，·表示内积运算，的下标i表示随机抽取样本的序号，表示对目标函数进行次梯度运算；B(·)表示Bregman函数，为(二范数的平方)；

步骤25、输出新一轮的权值w_t+1，并计算目标函数l(w_t+1)和个体收敛速率l(w_t+1)-l(w_*)

(3)训练的输出结果是权值w，w向量的非零元素所对应的特征即对于网路流量分类有用的特征，然后计算目标函数值和个体收敛速率；

步骤(3)中随机一阶梯度优化方法包括以下步骤：

假设训练样本集S是一些独立同分布样本组成，目标函数可以表示为：

其中l_i(w)是对应样本(x_i,y_i)的损失函数，Q有界闭凸集合，记w_*是问题(1)的一个最优解；

个体收敛速率可以表示为：

l(w_t)-l(w_*) (2)；

所述的损失函数采用非光滑hinge损失函数l_i(w)＝max{0,1-y_i＜w,x_i＞}；

(4)用测试样本对训练好的模型进行测试，计算分类精度。