-
公开(公告)号：CN109802862B
公开(公告)日：2022-02-22
申请号：CN201910230095.9
申请日：2019-03-26
Applicant: 重庆邮电大学
IPC: H04L41/147 , H04L41/14 , H04L41/142 , H04L43/0876
Abstract: 本发明属于网络流量预测技术领域，特别涉及一种基于集合经验模态分解的组合型网络流量预测方法，包括：获取原始流量数据并进行预处理；通过集合经验模态分解将网络流量分解为不同时间尺度上频率单一的IMF分量；通过自相关性和偏自相关分析，确定IMF分量的平稳性；对平稳的IMF分量用线性的ARMA模型预测；对非平稳的IMF分量用非线性的Elman神经网络预测；将各IMF分量的预测值进行求和得到网络流量的预测值；本发明更准确、全面地描述和预测实际网络流量，从而提高预测精度和增加预测可靠性。
-
公开(公告)号：CN111343171B
公开(公告)日：2022-08-05
申请号：CN202010103243.3
申请日：2020-02-19
Applicant: 重庆邮电大学
Abstract: 本发明涉及入侵检测网络安全领域，特别涉及一种基于支持向量机的混合特征选择的入侵检测方法，采用最优特征子集完成实时入侵检测，包括：导入入侵检测数据集；对入侵检测数据集中参数进行初始化，得到最优特征；利用改进的GSA算法对高斯核SVM的惩罚参数和核函数进行优化，得到SVM分类器；利用优化SVM的递归特征对最优特征进行排序；采用改进的引力搜书算法求取优良子集中的初始种群，根据初始种群得到指定特征空间的最优特征子集；将最优特征子集输入到入侵检测算法中，并采用改进的SVM作为分类器进行分类，完成入侵检测；本发明对传统引力搜索算法进行改进，即引入了Tent混沌序列，避免了引力搜索算方法过早收敛的问题。
-
公开(公告)号：CN110166454B
公开(公告)日：2021-11-16
申请号：CN201910424226.7
申请日：2019-05-21
Applicant: 重庆邮电大学
Abstract: 本发明涉及入侵检测网络安全领域，特别涉及一种基于自适应遗传算法的混合特征选择入侵检测方法，包括导入网络入侵检测数据集；采用独热编码处理离散特征，采用数值标准化处理连续特征；采用基尼指数对特征子集进行过滤，剔除冗余特征，选择最优特征；采用SVM算法作为封装方法组成混合特征选择算法，并通过自适应遗传算法进行搜索获取最优特征子集；采用最大迭代次数作为算法终止条件，在此基础上当适应度函数值达到指定阈值时，算法将提前终止迭代；本发明结合了过滤选择算法和封装选择算法的优点，利用二者的互补特性，有效删除冗余特征和相关度低的特征，提高了入侵检测的检测效率，降低误报率。
-
公开(公告)号：CN111064617A
公开(公告)日：2020-04-24
申请号：CN201911324154.5
申请日：2019-12-16
Applicant: 重庆邮电大学
Abstract: 本发明属于网络流量预测技术领域，具体属于一种基于经验模态分解聚类的网络流量预测方法及装置；所述方法包括获取原始的网络流量数据并进行预处理；通过经验模态分解将网络流量分解为不同时间尺度上频率单一的有限个IMF分量；通过K-means算法对IMF分量进行聚类，将复杂度相近的IMF分量聚到一起；对聚类后的IMF分量采用自适应加权马尔可夫模型预测；将各IMF分量的预测值进行求和确定当前时刻网络流量的预测值；本发明通过聚类减少预测器的个数，能够有效减小模型复杂度，通过自适应加权马尔可夫模型提高预测精度。
-
公开(公告)号：CN111144459A
公开(公告)日：2020-05-12
申请号：CN201911291144.6
申请日：2019-12-16
Applicant: 重庆邮电大学
IPC: G06K9/62
Abstract: 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。
-
Patent Agency Ranking
公开(公告)号：CN110166454A
公开(公告)日：2019-08-23
申请号：CN201910424226.7
申请日：2019-05-21
Applicant: 重庆邮电大学
Abstract: 本发明涉及入侵检测网络安全领域，特别涉及一种基于自适应遗传算法的混合特征选择入侵检测方法，包括导入网络入侵检测数据集；采用独热编码处理离散特征，采用数值标准化处理连续特征；采用基尼指数对特征子集进行过滤，剔除冗余特征，选择最优特征；采用SVM算法作为封装方法组成混合特征选择算法，并通过自适应遗传算法进行搜索获取最优特征子集；采用最大迭代次数作为算法终止条件，在此基础上当适应度函数值达到指定阈值时，算法将提前终止迭代；本发明结合了过滤选择算法和封装选择算法的优点，利用二者的互补特性，有效删除冗余特征和相关度低的特征，提高了入侵检测的检测效率，降低误报率。
-
公开(公告)号：CN109981335A
公开(公告)日：2019-07-05
申请号：CN201910077766.2
申请日：2019-01-28
Applicant: 重庆邮电大学
Abstract: 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。
-
公开(公告)号：CN109802862A
公开(公告)日：2019-05-24
申请号：CN201910230095.9
申请日：2019-03-26
Applicant: 重庆邮电大学
Abstract: 本发明属于网络流量预测技术领域，特别涉及一种基于集合经验模态分解的组合型网络流量预测方法，包括：获取原始流量数据并进行预处理；通过集合经验模态分解将网络流量分解为不同时间尺度上频率单一的IMF分量；通过自相关性和偏自相关分析，确定IMF分量序列的平稳性；对平稳的IMF分量用线性的ARMA模型预测；对非平稳的IMF分量用非线性的Elman神经网络预测；将各IMF分量序列的预测值进行求和得到网络流量的预测值；本发明更准确、全面地描述和预测实际网络流量，从而提高预测精度和增加预测可靠性。
-
公开(公告)号：CN111144459B
公开(公告)日：2022-12-16
申请号：CN201911291144.6
申请日：2019-12-16
Applicant: 重庆邮电大学
IPC: G06K9/62
Abstract: 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。
-
公开(公告)号：CN111064617B
公开(公告)日：2022-07-22
申请号：CN201911324154.5
申请日：2019-12-16
Applicant: 重庆邮电大学
IPC: H04L41/147 , H04L43/0876 , H04L41/14
Abstract: 本发明属于网络流量预测技术领域，具体属于一种基于经验模态分解聚类的网络流量预测方法及装置；所述方法包括获取原始的网络流量数据并进行预处理；通过经验模态分解将网络流量分解为不同时间尺度上频率单一的有限个IMF分量；通过K‑means算法对IMF分量进行聚类，将复杂度相近的IMF分量聚到一起；对聚类后的IMF分量采用自适应加权马尔可夫模型预测；将各IMF分量的预测值进行求和确定当前时刻网络流量的预测值；本发明通过聚类减少预测器的个数，能够有效减小模型复杂度，通过自适应加权马尔可夫模型提高预测精度。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.018 seconds)
