[发明专利]一种时频同步应用中端到端流量异常特征提取方法

摘要

本发明提供一种时频同步应用中端到端流量异常特征提取方法，涉及时频同步网络环境下网络异常管理技术领域。首先，为了捕捉终端到终端的网络流量的动态特性，利用反向传播神经网络建立终端到终端的网络流量模型。其次，在建立的流量模型的基础上，利用滑动时间窗实现下一时刻的端到端网络流量估计。第三，主成分分析是用来提取所估计的终端到终端的网络流量的主要特征。然后根据提取的主特征成分，利用决策阈值识别异常网络，能有效地检测时频同步应用中端到端流量异常特征。

主权项

1.一种时频同步应用中端到端流量异常特征提取方法，其特征在于：包括以下步骤：步骤1：给出从网络获得的训练流量x＝{x(t)|t＝1,2,...,z}，通过主成分分析方法确定网络流量中最主要的k个主成分数目；步骤2：初始化BP神经网络模型，采用线性激活函数建立一个多输入单输出反向传播神经网络模型；设置误差界限为δ，总迭代次数为T，并令k＝0，其中k表示网络流量主成分数目；步骤3：通过训练过程，在时间t之前使用h个时隙预测在时间t处的网络流量，表明网络流量的时间相关性，据此构造训练数据对<x0(t),x(t)>，其中x0(t)和x(t)分别表示BP神经网络模型的输入数据和输出数据，并且x(t)表示真实的IP网络流量值，t＝1,2,...,z，z表示网络流量的持续时间长度，且x0(t)＝[x(t-h),x(t-(h-1)),...,x(t-1))]；然后由输入x0(t)获得BP神经网络模型的输出估计值步骤4：利用反向传播算法计算BP神经网络的梯度，然后更新网络权重；步骤5：计算BP神经网络模型输出的误差如果误差ε<δ或迭代次数k>T，则保存BP神经网络的权重并退出训练过程，获得用于网络流量预测的BP神经网络模型E，并令t0＝z+1，t＝t0，令b＝α2表示滑动时间窗口大小，其中α为常正整数；否则，设置k＝k+1，返回步骤3；步骤6：对于t时刻的网络流量预测，将输入数据x0(t)＝[x(t-h),x(t-(h-1)),...,x(t-1))]传递给BP神经网络模型E，获得端到端网络流量预测值步骤7：如果t<t0+b-1，则令t＝t+1，并返回到步骤6，否则，执行步骤8；步骤8：建立滑动时窗b中的流量预测向量步骤9：计算网络流量偏差其中xb＝[x(t-(b-1)),x(t-(b-2)),...,x(t)]；步骤10：使用网络流量偏差构造流量矩阵即 d X ^ b = d x ^ b ( t - ( b - 1 ) ) , ... , d x ^ b ( t - ( b - n ) ) d x ^ b ( t - ( b - ( n - 1 ) ) ) , ... , d x ^ b ( t - ( b - 2 n ) ) ... d x ^ b ( t - ( b - ( n 2 - 1 ) ) , ... , d x ^ b ( t ) ]]>步骤11：在滑动时间窗口b中，进行主成分分析，以提取当前网络流量的主要特征，即 d X ^ b = UDV T ]]>其中，U、V和D分别是n×n矩阵，V和D描述网络流量的特征，并求得即 d X ^ b , p = V ′ D ′ U ′ ]]>其中，V′、U'和D′描述网络流量偏差的主要特征矩阵；步骤12：根据构造的流量矩阵以及当前流量的新特征构造新的时间信号序列即其中表示中的主成分，r＝t-(b-1),t-(b-2),…,t；步骤13：根据新的时间信号序列执行流量异常侦测，得到侦测结果；步骤14：如果停止异常侦测过程，则保存侦测结果；否则，令t0＝t，返回步骤6，继续执行网络流量异常侦测。