[发明专利]一种基于动态流数据集成分类的视频流量异常检测方法

权利要求书

1.一种基于动态流数据集成分类的视频流量异常检测方法，其特征在于：包括以下步骤：

步骤1）基于概念漂移检测机制获取适应性视频滑动窗口；

步骤 2）将当前获得的适应性视频滑动窗口中的视频流量数据随机划分为两个子集：训练子集与测试子集；

步骤 3）在获取的训练子集中，采用增强在线提升算法，获得流数据集成分类模型；所述增强在线提升算法的每一轮流数据训练中，不仅仅赋予上一轮模型训练中被错分类的样本较高的训练权重；同时提高小样本的权重，即错分类的小样本被赋予较高的权重用以模型训练；

步骤 4）对于当前训练得到的流数据集成分类模型，使用基于分类性能阈值的集成剪枝技术去除性能最差的若干基础分类器，得到视频流量异常检测模型；

步骤 5）使用视频流量异常检测模型识别异常流量数据；将视频流量数据输入到步骤4得到的视频流量异常检测模型中进行预测，若预测值为1则是正常流量，若预测值为-1则是异常流量。

2.权利要求1所述的基于动态流数据集成分类的视频流量异常检测方法，其特征在于：步骤1）中，每个滑动窗口中的数据分布是静态的，但是类别分布是不平衡的。

3.权利要求2所述的基于动态流数据集成分类的视频流量异常检测方法，其特征在于：属于异常类的视频流量数据是少于属于正常类的视频流量数据，异常类的视频流量数据称为小样本，正常类的视频流量数据称为大样本。

4.权利要求1所述的基于动态流数据集成分类的视频流量异常检测方法，其特征在于：步骤2）中，训练子集用以训练流数据集成模型，同时用来评估集成分类模型中每个基础分类器的权重；测试子集用于评估整个集成分类模型的性能。

5.权利要求4所述的基于动态流数据集成分类的视频流量异常检测方法，其特征在于：步骤2）中，采用交叉验证的方式进行模型训练；即其中训练子块与测试子块多次随机划分，最终模型的性能采用多次随机划分结果的均值。

6.权利要求1所述的基于动态流数据集成分类的视频流量异常检测方法，其特征在于：步骤4）中，集成框架中基础分类器的个数是适应性调整，取决于预定义的分类性能值，使用G-mean值去评估基础分类器的分类性能值。