[发明专利]一种基于壳向量式SVM增量学习模型的流量实时分类方法在审
| 申请号： | 201910045138.6 | 申请日： | 2019-01-17 |
| 公开（公告）号： | CN109871872A | 公开（公告）日： | 2019-06-11 |
| 发明（设计）人： | 曲桦;赵季红;蒋杰;张艳鹏 | 申请（专利权）人： | 西安交通大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 西安通大专利代理有限责任公司 61200 | 代理人： | 徐文权 |
| 地址： | 710049 *** | 国省代码： | 陕西;61 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于壳向量式SVM增量学习模型的流量实时分类方法，该方法利用对称不确定性的FCBF算法删除高维训练集的冗余特征和不相关特征，然后线性叠加PCA算法进行降维处理得到新的训练集，再以此训练SVM模型，进而实现网络流量分类；实现增量学习过程中，对实时网络流量采用相同数据预处理，再将违反KKT条件的新样本数据和壳向量的并集作为新训练集重新训练SVM模型，从而实现SVM的增量学习。 | ||
| 搜索关键词： | 增量学习 训练集 向量 实时分类 实时网络流量 网络流量分类 数据预处理 不确定性 降维处理 冗余特征 算法删除 线性叠加 新样本 并集 高维 算法 对称 违反 | ||
【主权项】：
1.一种基于壳向量式SVM增量学习模型的流量实时分类方法，其特征在于，包括以下步骤：1)对初始训练数据按特征维度分别进行归一化得到初始特征集FT1；2)对初始特征集FT1采用FCBF算法进行特征选取，删除冗余特征和不相关特征得到优化特征集FT2：3)对优化特征集FT2采用PCA算法进行处理，实现特征提取操作得到特征集FT3，将主要信息集中在少数维度；4)以特征集FT3训练SVM模型，得到初始模型，使用初始模型对网络流量分类并得到含有样本几何信息的壳向量集合；5)在实现增量学习过程中，根据新网络流量的信息和壳向量来更新模型；6)使用更新后的模型进行网络流量实时在线分类。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西安交通大学，未经西安交通大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910045138.6/，转载请声明来源钻瓜专利网。
