基于粒子群優(yōu)化算法的視頻流特征選擇與分類方法技術

本發(fā)明專利技術公開了一種基于粒子群優(yōu)化算法的視頻流特征選擇與分類方法，該方法的特征選擇首先通過計算特征在同類近鄰樣本和異類近鄰樣本的差異來度量特征的區(qū)分能力，去除部分無關特征，達到快速降維的目的，然后以粒子群優(yōu)化算法作為搜索算法，并用特征權重較大的部分優(yōu)良特征作為粒子群的初始種群，以不一致率作為評價函數(shù)在剩余特征子集中選擇出最優(yōu)子集。該方法相對于現(xiàn)有的粒子群優(yōu)化算法具有更低的計算復雜度，能夠有效的減少特征選擇過程中的計算復雜度。同時，本發(fā)明專利技術利用設計的三層SVM級聯(lián)分類器模型對在線標清視頻、在線高清視頻、在線超清視頻、在線直播視頻等七種業(yè)務進行分類。實驗表明，本發(fā)明專利技術方法比現(xiàn)有方法獲得更好的分類性能。

【技術實現(xiàn)步驟摘要】
基于粒子群優(yōu)化算法的視頻流特征選擇與分類方法
本專利技術屬于模式識別與分類
，特別涉及一種基于粒子群優(yōu)化算法的視頻流特征選擇與分類方法。
技術介紹
隨著互聯(lián)網(wǎng)和流媒體技術的迅速發(fā)展，網(wǎng)絡中的視頻業(yè)務的增長尤為迅速。與此同時，網(wǎng)絡中新的應用和協(xié)議的不斷快速出現(xiàn)，使得網(wǎng)絡環(huán)境更加復雜。各種類型的網(wǎng)絡應用和網(wǎng)絡流量的急速增加，給網(wǎng)絡服務提供商帶來了極大的挑戰(zhàn)。如何有效地進行網(wǎng)絡管理、保證不同業(yè)務的服務質量和用戶的信息安全已成為迫切需要解決的問題。對于網(wǎng)絡服務提供商和網(wǎng)絡環(huán)境管理者來說，快速準確地識別出網(wǎng)絡中的不同業(yè)務流是一種行之有效的解決方案。傳統(tǒng)的網(wǎng)絡流量識別和分類方法主要有基于端口的方法、基于深度包檢測的方法。基于端口的識別方法是根據(jù)國際互聯(lián)網(wǎng)代理成員管理局建議的端口號來區(qū)分不同的網(wǎng)絡應用，隨著動態(tài)端口號的廣泛應用，使得這種方法的識別效率和分類準確度不高。基于深度包檢測的方法的原理是通過解析數(shù)據(jù)包的載荷，與已知協(xié)議中特定的簽名進行比較，從而區(qū)分不同的業(yè)務。但是隨著網(wǎng)絡數(shù)據(jù)加密的普及和用戶隱私保護等問題，導致基于深度包檢測的網(wǎng)絡流量分類方法不再適用。基于統(tǒng)計特征的方法通過提取數(shù)據(jù)流的統(tǒng)計特征對數(shù)據(jù)流進行分類。這種方法既可以克服傳統(tǒng)方法的缺點，又具有較高的準確性和穩(wěn)定性。因此，基于網(wǎng)絡流統(tǒng)計特征結合機器學習方法被廣泛地應用到網(wǎng)絡業(yè)務流識別領域。從網(wǎng)絡業(yè)務流可以提取大量的統(tǒng)計特征，如何選擇合理的特征組合是提高分類精度的關鍵所在。許多研究表明，特征之間的不相關或冗余的特征會引發(fā)過擬合問題，進而嚴重影響分類結果的準確性。同時，高維的特征集合還會給分類器帶來大量的計算開銷和時延。因此，選取簡單、容易獲取的特征組合對分類器性能的提高有著重要的作用。
技術實現(xiàn)思路
本專利技術的目的在于針對網(wǎng)絡視頻業(yè)務流的統(tǒng)計特征選擇以及識別分類問題，提出了一種基于粒子群優(yōu)化算法的視頻流特征選擇與分類方法，該方法針對在線標清視頻(非直播)、在線高清視頻(非直播)、在線超清視頻(非直播)、在線直播視頻、HTTP下載、即時通信類視頻、P2P類視頻七種業(yè)務進行分析和研究，提出一種基于粒子群優(yōu)化算法的視頻流特征選擇方法，經(jīng)過三層SVM級聯(lián)分類器對原始的視頻業(yè)務流進行分類。實驗結果表明，本專利技術方法能夠比現(xiàn)有同類方法獲得更高的分類準確率。為實現(xiàn)上述目的，本專利技術提出的技術方案是一種基于粒子群優(yōu)化算法的視頻流特征選擇與分類方法，包括以下步驟：步驟1：在開放的互聯(lián)網(wǎng)環(huán)境中使用網(wǎng)絡封包分析軟件獲取所需的實驗數(shù)據(jù)，然后對數(shù)據(jù)包進行過濾，最后對這些網(wǎng)絡視頻業(yè)務流進行基本的統(tǒng)計特征計算；步驟2：對上述計算得出的視頻業(yè)務流的統(tǒng)計特征進行分析，選擇出能有效區(qū)分業(yè)務流的特征組合；步驟3：根據(jù)設計的三層SVM級聯(lián)分類器對原始的視頻業(yè)務流進行分類實驗，得到最終的分類結果。進一步，上述步驟1又具體包括：步驟1-1：在開放的互聯(lián)網(wǎng)環(huán)境中，通過網(wǎng)絡封包分析軟件抓取所需的視頻業(yè)務流數(shù)據(jù)，然后對原始的數(shù)據(jù)進行簡單預處理，轉換成標準的五元組文本格式，即數(shù)據(jù)包到達的時間、源IP地址、目的IP地址、協(xié)議、數(shù)據(jù)包分組大小；步驟1-2：對數(shù)據(jù)包過濾是指濾除不感興趣或者不會對分類結果產(chǎn)生影響的數(shù)據(jù)包；步驟1-3：對原始視頻流的標準五元組文件進行基本的統(tǒng)計特征計算，這些特征包括：包大小、包大小的均值與方差、包大小信息熵、包間隔的均值與方差、字節(jié)速率、分組速率、上下行字節(jié)數(shù)之比、上下行包大小之比。上述步驟2還具體包括：步驟2-1：對所有視頻業(yè)務流的統(tǒng)計特征進行離散化操作，降低特征選擇過程中的計算開銷；步驟2-2：利用特征權重算法計算每個統(tǒng)計特征的權重；步驟2-3：根據(jù)特征權重的排名，去掉部分與類別關聯(lián)較小的特征，選取權重最大的N個特征，降低原始特征空間的維數(shù)，減少后續(xù)操作的計算復雜度；步驟2-3：在上一步選取的N個特征子集中，選取特征權重排名靠前的M個特征作為先驗知識，指導粒子群優(yōu)化算法的種群初始化，將每個粒子的初始位置設為最優(yōu)位置；迭代次數(shù)設為1；步驟2-4：將不一致率作為粒子群優(yōu)化算法的適應度函數(shù)，利用適應度函數(shù)計算粒子的整體適應度，將樣本實例中的一個特征組合稱為一個模式，特征子集的所有模式的不一致數(shù)，就等于該模式出現(xiàn)的樣本總數(shù)減去出現(xiàn)次數(shù)最多的某一類標簽的樣本數(shù)，不一致率就等于不一致數(shù)除以樣本總數(shù)；步驟2-5：如果當前粒子的適應度小于粒子自身最優(yōu)位置的適應度，將粒子自身最優(yōu)位置更新為當前位置；如果粒子自身最優(yōu)位置的整體適應度小于種群的最優(yōu)位置的適應度，將種群的最優(yōu)位置更新為粒子自身最優(yōu)位置；步驟2-6：根據(jù)當前粒子的位置和速度信息更新粒子群的位置和速度；步驟2-7：若滿足最大迭代次數(shù)或不一致率在迭代過程中持續(xù)不變，則輸出最優(yōu)解；否則，重復步驟2-5到步驟2-6。更進一步，上述步驟2-3中的N優(yōu)選為10，M優(yōu)選為2。上述步驟3可以具體包括：步驟3-1：利用特征選擇方法對原始視頻業(yè)務流特征進行選擇，并進行第一層SVM分類，得到分類結果C1,C2,C3,C4；其中，C1為即時通信類視頻，C2為P2P類視頻，C3為http下載，C4為在線視頻，包含直播和非直播兩類；步驟3-2：對上一層分類結果C4的數(shù)據(jù)流特征再次使用特征選擇方法進行特征選擇，并進行第二層SVM分類，得到分類結果C41,C4；其中，C41為在線直播視頻，C42為在線非直播視頻；步驟3-3：對上一層分類結果C42的數(shù)據(jù)流特征再次使用特征選擇方法進行特征選擇，并進行第三層SVM分類，得到分類結果C421,C422,C433；其中，C421為標清視頻，C422為高清視頻，C423為超清視頻；步驟3-4：統(tǒng)計分類輸出結果。與現(xiàn)有技術相比，本專利技術的有益結果：1、本專利技術提出的基于粒子群優(yōu)化算法的視頻流特征選擇方法相較于其他的基于粒子群優(yōu)化算法的特征選擇方法具有更低的計算復雜度，能夠有效的降低特征選擇過程中的時間和空間開銷，提高特征選擇的效率。2、本專利技術對視頻業(yè)務采用多層分類的方法，設計了一種三層SVM級聯(lián)分類器，配合本專利技術提出的特征選擇方法選擇的特征組合，能夠取得較好的分類結果。附圖說明圖1為本專利技術基于粒子群優(yōu)化算法的視頻流特征選擇與分類方法的流程框圖。圖2為本專利技術提出的特征選擇方法所選取的特征組合的有效驗證圖。具體實施方式以下結合說明書附圖對本專利技術創(chuàng)造作進一步的詳細說明。本專利技術可以對視頻流業(yè)務選擇出簡單、有效的特征組合，并利用三層SVM級聯(lián)分類器對原始的視頻業(yè)務流進行分類。方法流程分為以下步驟：步驟1：在開放的互聯(lián)網(wǎng)環(huán)境中使用網(wǎng)絡封包分析軟件獲取所需的實驗數(shù)據(jù)，然后對數(shù)據(jù)包進行過濾，最后對這些網(wǎng)絡視頻業(yè)務流進行基本的統(tǒng)計特征計算，具體步驟為：步驟1-1：在開放的互聯(lián)網(wǎng)環(huán)境中，通過網(wǎng)絡封包分析軟件抓取所需的視頻業(yè)務流數(shù)據(jù)，然后對原始的數(shù)據(jù)進行簡單預處理，轉換成標準的五元組文本格式，即數(shù)據(jù)包到達的時間、源IP地址、目的IP地址、協(xié)議、數(shù)據(jù)包分組大小；步驟1-2：對數(shù)據(jù)包過濾是指濾除不感興趣或者不會對分類結果產(chǎn)生影響的數(shù)據(jù)包；步驟1-3：對原始視頻流的標準五元組文件進行基本的統(tǒng)計特征計算，這些特征包括：包大小、包大小的均值與方差、包大小信息熵、包間隔的均值與方差、字節(jié)速率、分組速率、上下行字節(jié)數(shù)之比、上下行包大小之比。步驟2：對視頻業(yè)務流的統(tǒng)本文檔來自技高網(wǎng)...

【技術保護點】
基于粒子群優(yōu)化算法的視頻流特征選擇與分類方法，其特征在于，包括以下步驟：步驟1：在開放的互聯(lián)網(wǎng)環(huán)境中使用網(wǎng)絡封包分析軟件獲取所需的實驗數(shù)據(jù)，然后對數(shù)據(jù)包進行過濾，最后對這些網(wǎng)絡視頻業(yè)務流進行基本的統(tǒng)計特征計算；步驟2：對上述計算得出的視頻業(yè)務流的統(tǒng)計特征進行分析，選擇出能有效區(qū)分業(yè)務流的特征組合；步驟3：根據(jù)設計的三層SVM級聯(lián)分類器對原始的視頻業(yè)務流進行分類實驗，得到最終的分類結果。

【技術特征摘要】
1.基于粒子群優(yōu)化算法的視頻流特征選擇與分類方法，其特征在于，包括以下步驟：步驟1：在開放的互聯(lián)網(wǎng)環(huán)境中使用網(wǎng)絡封包分析軟件獲取所需的實驗數(shù)據(jù)，然后對數(shù)據(jù)包進行過濾，最后對這些網(wǎng)絡視頻業(yè)務流進行基本的統(tǒng)計特征計算；步驟2：對上述計算得出的視頻業(yè)務流的統(tǒng)計特征進行分析，選擇出能有效區(qū)分業(yè)務流的特征組合；步驟3：根據(jù)設計的三層SVM級聯(lián)分類器對原始的視頻業(yè)務流進行分類實驗，得到最終的分類結果。2.根據(jù)權利要求1所述的基于粒子群優(yōu)化算法的視頻流特征選擇與分類方法，其特征在于，所述方法的步驟1具體包括：步驟1-1：在開放的互聯(lián)網(wǎng)環(huán)境中，通過網(wǎng)絡封包分析軟件抓取所需的視頻業(yè)務流數(shù)據(jù)，然后對原始的數(shù)據(jù)進行簡單預處理，轉換成標準的五元組文本格式，即數(shù)據(jù)包到達的時間、源IP地址、目的IP地址、協(xié)議、數(shù)據(jù)包分組大小；步驟1-2：對數(shù)據(jù)包過濾是指濾除不感興趣或者不會對分類結果產(chǎn)生影響的數(shù)據(jù)包；步驟1-3：對原始視頻流的標準五元組文件進行基本的統(tǒng)計特征計算，這些特征包括：包大小、包大小的均值與方差、包大小信息熵、包間隔的均值與方差、字節(jié)速率、分組速率、上下行字節(jié)數(shù)之比、上下行包大小之比。3.根據(jù)權利要求1所述的基于粒子群優(yōu)化算法的視頻流特征選擇與分類方法，其特征在于，所述方法的步驟2具體包括：步驟2-1：對所有視頻業(yè)務流的統(tǒng)計特征進行離散化操作，降低特征選擇過程中的計算開銷；步驟2-2：利用特征權重算法計算每個統(tǒng)計特征的權重；步驟2-3：根據(jù)特征權重的排名，去掉部分與類別關聯(lián)較小的特征，選取權重最大的N個特征，降低原始特征空間的維數(shù)，減少后續(xù)操作的計算復雜度；步驟2-3：在上一步選取的N個特征子集中，選取特征權重排名靠前的M個特征作為先驗知識，指導粒子群優(yōu)化算法的種群初始化，將每個粒子的初始位置設為最優(yōu)位置；...

【專利技術屬性】
技術研發(fā)人員：董育寧，馮茂，
申請(專利權)人：南京郵電大學，
類型：發(fā)明
國別省市：江蘇,32