[发明专利]一种基于特征强相关的网络流量分类方法

权利要求书

1.一种基于特征强相关的网络流量分类方法，其特征在于：所述方法具体过程为：

步骤一：利用特征与响应变量之间的互信息获得预先提取的特征之间的相关性；

步骤二：确定特征之间的相关性，根据特征之间的相关性确定特征之间的冗余度，并根据特征之间的冗余度获得每个特征的得分并确定得分最高的特征；按照预先设定的次数m次迭代确定m个得分最高的特征作为最终的特征向量；

步骤三：根据分类目标构建分类模型并得到特征强相关网络流量分类结果。

2.根据权利要求1所述的一种基于特征强相关的网络流量分类方法，其特征在于：所述步骤二中利用特征与响应变量之间的互信息获得特征之间的相关性，具体过程为：

假定X和Y表示两个随机变量，则特征与响应变量之间的互信息公式如下所示：

其中，Ω_X和Ω_Y分别是随机变量X和Y的样本空间，p(x,y)是联合概率密度函数，p(x)和p(y)是边缘概率密度函数；

特征的相关性R_S计算公式为：

其中，c∈C＝{+1,-1}表示类变量，S表示数据的特征向量集F的子集，f_i为特征向量集F中的一个特征向量。

3.根据权利要求2所述的一种基于特征强相关的网络流量分类方法，其特征在于：所述步骤三中根据特征之间的相关性确定特征之间的冗余度的公式为：

其中，f_i,f_j分别为子集S中的特征。

4.根据权利要求3所述的一种基于特征强相关的网络流量分类方法，其特征在于：步骤二中根据特征之间的冗余度获得每个特征的得分并确定得分最高的特征的公式如下：

按照预先设定的次数m次迭代确定m个得分最高的特征，表示如下：

5.根据权利要求1所述的一种基于特征强相关的网络流量分类方法，其特征在于:根据分类目标构建分类模型是采用支持向量机SVM模型。

6.根据权利要求1所述的一种基于特征强相关的网络流量分类方法，其特征在于:根据分类目标构建分类模型并得到特征强相关网络流量分类结果具体包括以下步骤：

首先对分类目标进行分类，并针对不同的分类目标分别训练分类模型；

将特征向量输入不同的训练模型得到最终的特征强相关网络流量分类结果。

7.根据权利要求6所述的一种基于特征强相关的网络流量分类方法，其特征在于:步骤三的具体方法包括以下步骤：

分类目标的类型分别为A、B、C和D，将分类目标的类型进行分类，分为A∪B、C∪D、A、B、C和D六类；

首先将特征向量分类模型SVM1中，所述分类模型SVM1用于分出A∪B和C∪D两类；

将分类结果为A∪B类的特征向量通过分类模型SVM2，将分类结果为C∪D的特征向量通过分类模型SVM3中，所述分类模型SVM2用于分出A类和B类，所述分类模型SVM3用于分出C类和D类。