[发明专利]基于联邦半监督学习的流量分类方法及系统

权利要求书

1.基于联邦半监督学习的流量分类方法，其特征在于，包括：

步骤1：客户端捕获本地网关的无标签网络流量并对其进行数据预处理以构成无标签流量数据集；中心服务器对已标注过的网络流量进行数据预处理以构成有标签流量数据集；

步骤2：中心服务器选择全局模型所采用的流量分类模型，将所述全局模型分解为有监督学习参数与无监督学习参数并对两种学习参数进行初始化；并初始化辅助代理；将初始化后的两种学习参数和辅助代理发送至各客户端；

步骤3：客户端基于有监督学习参数、无监督学习参数和辅助代理利用本地的无标签流量数据集进行无监督训练，对无监督学习参数进行更新，并得到更新前后的无监督学习参数差异，然后将无监督学习参数差异上传至中心服务器；

步骤4：中心服务器聚合更新各个客户端的无监督学习参数，并得到更新前后的无监督学习参数差异；利用本地的有标签流量数据集进行有监督训练，更新有监督学习参数，并得到更新前后的有监督学习参数差异；然后将有监督学习参数差异、无监督学习参数差异发送至各客户端；以及基于最近邻搜索得到与当前无监督学习参数最相似的H个本地无监督学习参数作为新的辅助代理，并在满足设定发送条件时，向各客户端发送新的辅助代理；

步骤5：迭代执行步骤3至步骤4，直至满足停止条件，此时的全局模型作为最终的流量分类模型。

2.根据权利要求1所述的基于联邦半监督学习的流量分类方法，其特征在于，步骤2中，采用Resnet9网络模型作为流量分类模型。

3.根据权利要求1所述的基于联邦半监督学习的流量分类方法，其特征在于，步骤3中，客户端的无监督训练过程具体包括：

冻结有监督学习参数σ，利用本地无标签流量数据集u执行无监督训练以得到新的模型θ_σ*+ψ，即：同时得到更新后的无监督学习参数ψ；

其中，无监督训练过程中的最小化一致性损失项为公式(1)所示：

其中，*表示冻结参数，表示辅助代理，η_u表示参数移动的步长，表示参数更新单位方向向量，与为用于防止无监督训练影响有监督学习参数而设置的参数，λ_ICCS表示用于控制无监督学习的超参数，Φ(.)是本地模型与辅助代理的一致性正则化。

4.根据权利要求3所述的基于联邦半监督学习的流量分类方法，其特征在于，采用公式(2)来表示Φ(.)：

其中，是辅助代理，是集成辅助代理输出的伪标签，表示基于softmax生成的标签，MAX(.)表示在具有最大一致性的类上输出标签，π(u)是对无标签流量数据集u进行的随机增强操作，是辅助代理间一致性损失。

5.根据权利要求1所述的基于联邦半监督学习的流量分类方法，其特征在于，步骤6中，中心服务器的有监督训练过程具体包括：

利用本地有标签流量数据集s执行有监督训练以得到新的模型θ_σ+ψ*，即：同时得到更新后的有监督学习参数σ；

其中，有监督训练过程中的最小化损失项为公式(3)所示：

minimizeL_s(σ)＝λ_sCrossEntropy(y，p_σ+ψ*(y|x)) (3)

其中，*表示冻结参数，η_s表示参数移动的步长，表示参数更新单位方向向量，λ_s为用于控制有监督学习的超参数。

6.根据权利要求1所述的基于联邦半监督学习的流量分类方法，其特征在于，步骤1中，数据预处理包括：依次对流量数据进行划分、清洗、统一长度及可视化来获取流量数据图像。