一种半监督联合模型下的异常流量检测算法

网络异常通常表现在多维特征中,而当前检测方法局限于一维特征或者多维特征的简单组合,使系统检测率低、误报率高.同时,有监督学习需要大量训练数据,而无监督学习准确率不足.因此,本文提出半监督联合模型(Semi-Supervised Com-bination,SM C)对数据的多维特征进行检测,通过解决非线性优化问题使联合过程信息损失最小化,较好地处理了噪声与孤立点.半监督学习方式利用少量已标记数据使模型更准确.本文以模糊C均值聚类(Fuzzy C-Means,FCM)作为基本检测器,经过实验验证,在目标误报率下基于SMC模型的异常检测算法的准确率比单个基本检测器提高了10%到20%.

基于联合半监督学习的大数据聚类算法

为了提高对用户行为特征挖掘能力,需要对用户行为特征多维度文本数据进行优化聚类处理,提出一种基于联合半监督学习的大数据聚类算法。采用分段线性拟合方法进行用户行为特征大数据线性规划处理,提取用户行为特征大数据的互信息特征量,结合联合关联规则检测方法进行用户行为特征多维度文本数据的统计分析,构建大数据分布的关联属性样本集,采用联合半监督学习分类器进行数据分类,结合多传感量化跟踪识别方法进行聚类中心自动搜索,提高聚类收敛性。仿真结果表明,采用该方法进行用户行为特征多维度文本数据聚类处理的信息融合性能较好,数据聚类中心的自动搜索能力较强,提高了大数据分类检索能力。

基于可信点的联合半监督学习

在半监督分类问题中,某些无标签的数据点很有可能属于某一特定的类,则这些点可被信任,应当被充分地利用去帮助学习正确的分类界面,从而提升图像分类的效果.因此,如何区分出可信点在半监督分类问题中显得尤为重要.针对该问题,提出一种联合的半监督学习方法,可以自适应地区分可信点,并且提出了相应的迭代优化分类器和可信点标签矩阵的算法,把分类器的归纳能力和无标签数据的标签直推化能力融合到了一个框架中,不需要额外的步骤去预测无标签数据的标签.在两个人脸数据库中大量实验验证了所提方法的可行性和有效性.