专利交易市场

本发明公开了一种组合型类不均衡流量分类的特征选择方法，采用非搜索型算法利用加权对称不确定性WSU来计算类别与特征之间的相关度，根据特征之间的WSU滤除冗余特征，从而得到第一目标特征集合，可以显著降低后续特征子集筛选的计算复杂度，然后采用SFS算法进一步降低特征的维数，直到特征数增加到指定的维数为止，这样就可以减小样本分布不平衡问题给网络流量分类带来的不良影响，选择出具有强区分能力的特征集合，从而可以显著提高网络流量的分类精度。

本发明涉及网络流量分类技术领域，涉及一种类不平衡的网络流量分类方法、装置及计算机设备；所述方法包括获取待分类的网络流量数据，并提取出网络流量的特征；采用特征选择算法删除不相关特征以及冗余特征，并对剩余的特征降维，从而选择出最优特征子集；将所述最优特征子集输入至基于权重的多分类器中，采用增量学习的方式，进行网络流量分类训练，优化分类器性能后，对网络流量进行分类。本发明针对网络流量样本分布不平衡问题，删除了不相关特征以及冗余特征，在保证整体分类准确度的前提下，有效提高小类别的识别率；引入增量学习思想，提高模型更新训练的灵活性，降低模型更新的周期；利用基于权重的多分类器，减小了概念漂移带来的影响。

本申请提供了一种基于多特征融合的网络流量分类方法、装置和设备，属于人工智能领域。方法包括：对流量数据进行预处理，获得流量灰度图；从流量灰度图中筛选出少数类流量样本集合；通过WGAN模型模拟少数类流量样本集合，构建生成样本；将生成样本补充至流量灰度图中，形成平衡样本集；将平衡样本集输入至ViT混合模型中提取特征，获得序列特征；基于交叉注意力机制融合序列特征，获得目标流量图；利用感知层多层感知机模块对目标流量图进行分类，得到分类结果。本申请能够有效结合网络流量数据的全局特征和局部特征进行分类，同时轻量化模型架构，提高模型的准确率，并且能够有效应对部分流量类型样本数量较小的情况。