[发明专利]一种基于改进SOM神经网络的移动智能终端流量监测方法以及相关设备

权利要求书

1.基于改进SOM神经网络的移动智能终端流量监测方法，其特征在于，包括：

修改SOM神经训练过程中网络学习速率和和权值向量的修正过程构建改进型SOM神经网络；

利用改进型SOM神经网络对移动智能终端所产生的流量数据包进行分析训练学习，建立改进型SOM神经网络流量监测模型；

通过改进型SOM神经网络流量监测模型自动识别待监测移动智能终端所产生流量的异常行为，据此异常行为判断是否存在网络攻击行为。

2.根据权利要求1所述的移动智能终端流量监测方法，其特征在于，所述监测方法构建改进型SOM神经网络，包括：

(1)参数初始化：所述参数包括SOM神经网络的输入层神经元数目m，竞争层神经元数目n，其中，输入层神经元个数与输入训练数据特征向量个数相同，竞争层各神经元与输入层神经元之间通过可变权值全连接；

(2)权值向量初始化：初始化输入层神经元与竞争层神经元之间的权值向量W＝[w₁₁，w₁₂，…w_ij，…w_mn]，其中，w_ij表示输入层第i个神经元与竞争层第j个神经元之间的连接权值；

(3)计算竞争层神经元与输入向量X＝(x₁，x₂，…x_m)^T之间的欧式距离：

(4)将与输入向量距离最小的竞争层神经元称为胜出神经元，记为j*，即确定某个神经元k，使得对于任意的神经元j，都有

(5)权值调整：对胜出神经元j*和其邻近神经元之间的权值进行调整；

(6)判断是否达到设定的训练结束要求，若未结束，则返回步骤(3)，进入下一轮学习；

(7)若结束，计算输出o_k，

式中，f(*)一般为0～1函数或者其他非线性函数；

(8)利用测试数据验证训练构造的改进的SOM神经网络是否已达到目标预测精度。

3.根据权利要求2所述的移动智能终端流量监测方法，其特征在于，在步骤(5)中进行权值调整时，根据最后获胜神经元的类型标签与连接向量的类型标签进行一致性判断，对同类神经元采取拉拢策略，对异类神经元采取排斥策略。

4.根据权利要求2所述的移动智能终端流量监测方法，其特征在于，在步骤(5)中基于动态更新学习速率和邻域函数的方式来构建动态迭代函数，使网络在学习速度和网络稳定性之间取得平衡。

5.根据权利要求4所述的移动智能终端流量监测方法，其特征在于，在步骤(5)中学习速率η(t)采用如下的迭代函数，使η(t)可以平滑的逐渐逼近最佳数值：

其中，η(0)表示初始学习速率，T为学习步长。

6.根据权利要求4所述的移动智能终端流量监测方法，其特征在于，在步骤(5)中，邻域函数采用如下公式所示函数：

其中，表示竞争层其他神经元与胜出神经元之间的距离，σ(t)为邻域半径，其表达式如下所示

其中，σ₀为初始领域半径。

7.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现权利要求1-6中任一项所述的移动智能终端流量监测方法的步骤。

8.一种处理器，所述处理器用于运行程序，其特征在于，所述程序运行时执行权利要求1-6中任一项所述的移动智能终端流量监测方法的步骤。

9.一种终端设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述程序代码由所述处理器加载并执行以实现权利要求1-6中任一项所述的移动智能终端流量监测方法的步骤。

10.一种计算机程序产品，其特征在于，当在数据处理设备上执行时，适于执行权利要求1-6中任一项所述的移动智能终端流量监测方法的步骤。