一种基于APSO-CNN的网络流量分类方法
摘要文本
本发明提出一种基于APSO‑CNN的网络流量分类方法，APSO算法能够避免随机设置初始速度对粒子优化的不利影响，加快收敛速度，更容易获得全局优化。本发明利用APSO算法训练模型及优化神经网络的超参数，找到合适的超参数，避免手动调整超参数寻找适合任务模型的高人工成本，提高模型输出的准确率，以及神经网络的训练速度和效果。此外，利用APSO算法训练CNN模型在解决高维度、非凸性等问题时具有较好的优化能力，有利于跳出局部最优解，加快收敛速度。
申请人信息
- 申请人:南京邮电大学
- 申请人地址:210003 江苏省南京市鼓楼区新模范马路66号
- 发明人: 南京邮电大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种基于APSO-CNN的网络流量分类方法 |
| 专利类型 | 发明授权 |
| 申请号 | CN202410052902.3 |
| 申请日 | 2024/1/15 |
| 公告号 | CN117574213B |
| 公开日 | 2024/3/29 |
| IPC主分类号 | G06F18/24 |
| 权利人 | 南京邮电大学 |
| 发明人 | 郭永安; 严立兴; 佘昊 |
| 地址 | 江苏省南京市鼓楼区新模范马路66号 |
专利主权项内容
1.一种基于APSO-CNN的网络流量分类方法，其特征在于，该方法步骤包括以下步骤：(1)采集网络流量数据，利用主成分分析法将网络流量数据进行降维，以张量的形式表示，并将网络流量数据集平均分为两部分，前一部分数据集包含网络流量数据及其相应的分类标签，后一部分数据集只包含网络流量数据，无需包含对应分类标签，将前一部分数据集输入到未经过训练的CNN模型中用于训练，以得到适用于网络流量分类的最优CNN模型；(2)将CNN模型的超参数进行编码和初始化，利用二进制编码作为粒子的位置，认知参数的加速度系数 和社会参数的加速度系数/>都被初始化；将CNN模型的交叉熵函数值设置为粒子的适应度函数值，并计算出所有粒子的适应度函数值，选择适应度函数值最小的粒子为全局最优粒子；(3)计算全局最优粒子与其最近邻粒子之间的距离，比较所有粒子中的最大和最小距离/>和/>，通过欧几里得度量方法计算第/>个粒子到所有其它粒子之间的平均距离，以此计算进化因子/>，根据进化因子/>的值采用模糊分类，划分出四个状态：探索状态/>、开发状态/>、收敛状态/>和跳出状态/>；(4)设置认知参数的加速度系数和社会参数的加速度系数/>的边界，并根据步骤(3)中的四个状态自适应调整/>和/>的值；(5)利用以下公式更新惯性权重；
其中，表示当前粒子的适应度函数值，/>表示当前种群的平均适应度函数值，/>表示全局最优粒子的适应度函数值，/>分别表示最大惯性权重和最小惯性权重；(6)根据APSO算法规则更新粒子位置与速度，速度更新公式为：
位置更新公式为：
其中，
表示速度参数；
表示位置参数；
表示第/>次迭代中第/>个粒子速度的第/>个分量，/>表示第/>次迭代中第/>个粒子位置的第/>个分量，/>表示粒子群的维数，/>和/>表示在区间[0，1]内服从均匀分布的两个随机数，/>表示当前粒子遇到的最佳位置，/>表示整个粒子群遇到的最佳位置；(7)重复步骤(2)-(6)，直到达到收敛条件，判断收敛条件为当达到最大迭代次数时，判定为收敛并结束训练过程；(8)跟踪全局最优适应度函数值以及其对应的模型超参数，选择使适应度函数值最小的粒子对应的超参数，将其视为全局最优解，并将其作为APSO-CNN模型的最优超参数，对应的模型代表最优CNN模型；(9)将后一部分数据集输入到最优CNN模型中，并将输出的矩阵送入softmax函数，以获取网络流量数据所属类别的概率分布，概率最高的类别即被确定为该网络流量数据所归为的类别，以实现网络流量分类。