[发明专利]一种边缘侧基于网络流量的异构终端特征生成及识别方法

权利要求书

1.一种边缘侧基于网络流量的异构终端特征生成及识别方法，其特征在于，包括以下步骤：

1)流量提取：边缘网关对底层物联网设备的流量信息进行采集，生成设备流量特征缓存；

2)特征选择：对设备流量特征进行降维，消除噪声特征；

3)分类识别：对特征选择后的设备流量特征进行分类识别；

步骤2)包括以下步骤：

2.1)预处理：包括将设备流量特征数字化和归一化：

所述数字化的方法为：计算采集的设备流量特征中非数字特征的数量k，并对设备流量特征中重复特征的数量进行表征；然后将重复的非数字特征从大到小排序；最后将非数字特征从零到k分别赋值，从而使设备流量特征中所有的非数字特征全部转换为了数字特征；

所述归一化的公式为：

其中，x_ij表示底层物联网设备流量第i行、第j列的特征值，x_maxj和x_minj分别表示底层物联网设备流量第j列中的最大值和最小值，x′_ij表示归一化后的底层物联网设备流量第i行、第j列的特征值，归一化范围为[-1,1]；

2.2)初始化：

在流量特征的矩阵的每一行后加入惩罚因子c以及高斯核函数的参数γ，将参数c和参数γ作为T’带入以下公式，求出T，即新的c和γ；

其中,T是结果标度值，T’是将要标度的旧值，max_T和min_T分别是新间隔的上限和下限，当前间隔的下限和上限分别由max_T’和min_T’表示，参数c用于修正对特征流量分类的过拟合，参数γ用于控制非线性分离过程；

2.3)适应度计算：对初始化后的流量特征矩阵的每一行采用以下适应度函数进行计算：

α∈[1,0]，β＝(1-α)

其中，Fitness为适应度函数，Detection_rate表示给定分类器的分类精度，具体为：

将流量特征中选择的特征即某一列作为子集，采集到的所有流量特征即所有列作为数据集，|S_F|是所选子集的基数，|T_F|是数据集中的特征总数，α和β是两个参数，分别对应分类质量和子集长度的重要性，TP为真正例，TN为真反例，FP为假正例，FN为假反例；

2.4)选择：采用随机选择的选择机制，选择初始化之后的流量特征中适应度的值最小的若干行构成选择池；

2.5)交叉变异：将初始化之后的流量特征中的某一行作为父本，采用多父本进行交叉变异的方式，具体方式为：

a)三个父本由一个轮盘随机选择，若有重复的父本，则删除重复的父本并从选择池中随机选择一个父本代替；

b)根据适应度函数得到的适应度值对三个父本进行降序排列，适应度最大的为P₁，最小为P₃，剩余的为P₂；

c)三个子代即O_i有如下公式产生：

O₁＝P₁+θ×(P₂-P₃)

O₂＝P₂+θ×(P₃-P₁)

O₃＝P₃+θ×(P₁-P₂)

其中θ是(0,1)之间的随机数，O₁和O₂作为交叉产生的子代，O₃通过如下方法产生变异子代M_worst；

d)从父本P₃中随机选择一维记为R_V

e)P₃[1,R_V]＝1-P₃[1,R_V],

f)M_worst＝O₃+θ×(P₃-O₃)；

返回步骤2.2)直至达到设定的迭代次数为止，得到最终子代，即流量特征信息。

2.根据权利要求1所述的一种边缘侧基于网络流量的异构终端特征生成及识别方法，其特征在于，采用MGA-SVM算法对设备流量特征进行降维。