申请/专利权人：长沙理工大学

申请日：2024-01-10

公开（公告）日：2024-04-09

公开（公告）号：CN117851824A

主分类号：G06F18/214

分类号：G06F18/214;G06F18/24;G06N3/0464;G06N3/048;G06N3/098;G06N20/20

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明公开了一种基于联邦集成学习的分布式流量分类研究方法，该方法借助联邦学习架构解决分布式网络流量分类问题，并考虑用集成学习提高联邦学习分类精度。对原始数据集进行预处理后，用随机抽样生成非独立同分布的服务器端公有流和各客户端私有流，各客户端需要对服务器所有的1D‑CNN模型进行学习更新并上传更新后的模型参数，服务器需要选择客户端下发1D‑CNN模型参数并对客户端上传的参数进行融合更新，最后用Bagging集成所有的1D‑CNN模型获得最终分类结果。该方法用集成学习综合多个学习模型的知识，克服了单一模型学习能力较弱的不足，提高了分布式网络流量分类精度，具有很高的实用价值。

主权项：1.一种基于联邦集成的分布式网络流量分类研究方法，其特征在于，包括步骤：S1：对原始网络流量数据进行特征映射、Z-score标准化、特征选择等预处理步骤；S2：将预处理后的数据集用随机抽样生成非独立同分布的服务器公有流和各客户端私有流；S3：服务器用公有流量数据训练多个1D-CNN学习模型，并随机选取部分客户端分发已经训练好的模型参数；S4：客户端接收到服务器分发的模型参数后，将其作为本地模型的初始设置，然后使用各自的私有流量数据进行进一步的训练和更新，之后，客户端将训练后的模型参数回传给服务器；S5：服务器将客户端传回的模型参数进行融合，将模型参数更新为融合后的参数；S6：重复S3、S4和S5，直到模型收敛；S7：用Bagging集成所有1D-CNN模型，获得最终网络流量分类结果。

全文数据：

权利要求：

百度查询： 长沙理工大学 一种基于联邦集成的分布式网络流量分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD