[发明专利]一种基于分布式模糊支持向量机的自适应模型的网络流量分类方法

摘要

本发明公开了一种基于分布式模糊支持向量机的自适应模型的网络流量分类方法，通过一种改进的K‑means算法获取各聚类中心，再结合模糊隶属函数对各个训练样本设定隶属度，使得“噪音”样本、离群样本和特征值缺失的样本有较低的隶属度，从而降低这些样本数据对分类的影响。同时，根据SVM分类重要性质：最终模型仅与支持向量有关，引入分布式集群思想，将训练数据集分散在集群中并行计算，并应用遗传算法自适应的获取最优参数和各个支持向量，从而实现了网络流量分类的鲁棒性和时效性。

主权项

1.一种基于分布式模糊支持向量机的自适应模型的网络流量分类方法，其特征在于，包括以下步骤：1)对初始训练集按照特征维度分别进行归一化得到初始特征集FT1，再对初始特征集FT1采用FCBF算法进行特征选择和提取，删除冗余和不相关特征得到优化特征集FT2；2)将优化特征集FT2存储在分布式文件系统中；3)通过若干台电脑构建分布式集群，所述分布式集群用于并行计算优化特征集FT2，使得获取支持向量的时间最大程度减少；4)模型训练：获取存储在分布式文件系统的优化特征集FT2，首先对优化特征集FT2进行改进的K‑means算法获得各类别的聚类中心，再以此结合模糊隶属函数获得样本隶属度；5)根据优化特征集FT2及其隶属度进行遗传算法并获得其最优参数和支持向量；6)分类预测：获取各集群中的支持向量，并以此作为训练集合进行分类预测。