申请/专利权人：河海大学

申请日：2024-01-10

公开（公告）日：2024-04-16

公开（公告）号：CN117892125A

主分类号：G06F18/214

分类号：G06F18/214;G06F18/2431;G06N3/045;G06N3/0475;G06N3/0464;G06N3/082

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明提供一种基于改进生成对抗网络的多类不平衡网络流量数据增强方法，涉及流量数据增强领域，所述基于改进生成对抗网络的多类不平衡网络流量数据增强方法包括：将流量标签作为生成器G和鉴别器D的额外条件进行输入，使得生成器可以生成特定类型的网络流量数据；为解决多分类不平衡问题以及提高训练的稳定性，对原始生成对抗网络中的损失函数进行改进，引入条件约束和Wassertein距离；将鉴别器中的跨步卷积更新为1步卷积+DWT层，进一步提升鉴别器的精确度，从而提高生成器的精确度。通过改进生成对抗网络进行网络流量数据样本生成的方式进行数据增强，解决网络流量数据集多类不平衡问题。

主权项：1.一种基于改进生成对抗网络的多类不平衡网络流量数据增强方法，其特征在于，包括以下步骤：1获取多类不平衡网络流量数据集，对所述数据集进行数据数值化和数据标准化，以产生数据矩阵；2构建多类不平衡网络流量数据增强模型，所述多类不平衡模型网络流量数据增强模型包括生成器与鉴别器，所述鉴别器使用离散小波变换DWT代替传统鉴别器中的跨步卷积，解决了鉴别器易受噪声干扰问题，提高了所述鉴别器的稳定性；3优化多类不平衡网络流量数据增强模型损失函数，为了解决传统GAN模型生成数据具有随机性、无法指定网络流量类别生成相应数据样本的问题，所述生成器损失函数引入分类交叉熵函数，为了解决传统GAN模型鉴别器模式崩溃导致的生成数据多样性不足的问题，所述鉴别器损失函数引入Wassertein距离，同时为了满足Wassertein距离所需要的lipschitz连续性，引入梯度惩罚；4将网络流量数据输入到多类不平衡网络流量数据增强模型中，根据多类不平衡网络流量数据集中的数据对所述生成器进行参数更新，更新后将多类不平衡网络流量数据集以及对应的样本标签通过所述生成器获得网络流量数据，将所述网络流量数据输入至鉴别器，根据鉴别器的输出结果对所述鉴别器进行参数更新，重复此步骤对所述多类不平衡网络流量数据增强模型进行训练，直到该模型达到纳什均衡；5根据训练后的多类不平衡模型网络流量数据增强模型生成模拟数据获得平衡网络流量数据集。通过正态分布随机生成一系列高斯白噪声样本，并根据原数据样本的类别随机生成高斯白噪声样本的类别编码作为条件信息，将两者同时输入至生成器，获得与预处理后的多类不平衡网络流量数据集样本大小相同的网络流量数据样本。

全文数据：

权利要求：

百度查询： 河海大学 一种基于改进生成对抗网络的多类不平衡网络流量数据增强方法

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