买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南通飞隼信息科技有限公司

摘要：本发明公开了一种网络通讯数据智能化异常识别分析方法及系统，涉及信息分析技术领域，包括：收集历史网络通讯数据，对历史网络通讯数据进行特征提取，获取网络通讯异常数据集，利用分类器对网络通讯异常数据集进行特征分类，获得若干个不同尺度的子序列，组合为时序聚类数据，并将时序聚类数据中的子序列进行特征融合，确定网络通讯数据异常特征，基于网络通讯整合异常特征与历史网络通讯数据，判断网络通讯整合异常特征是否处于异常范围区间，若否，则不做任何输出，若是，则输出位异常数据。本发明的优点在于：提高异常识别的准确性和鲁棒性，同时识别过程更加经济高效。

主权项：1.一种网络通讯数据智能化异常识别分析方法，其特征在于，包括：收集历史网络通讯数据；基于历史网络通讯数据，对历史网络通讯数据进行特征提取，获取网络通讯异常数据集；基于网络通讯异常数据集，利用分类器对网络通讯异常数据集进行特征分类，获得若干个不同尺度的子序列，组合为时序聚类数据；基于时序聚类数据，将时序聚类数据中的子序列进行特征融合，确定网络通讯数据异常特征；基于网络通讯整合异常特征与历史网络通讯数据，判断网络通讯整合异常特征是否处于异常范围区间，若否，则不做任何输出，若是，则输出位异常数据；基于网络通讯异常数据集，利用分类器对网络通讯异常数据集进行特征分类，获得若干个不同尺度的子序列，组合为时序聚类数据具体包括：基于网络通信异常数据集，使用离散小波变换函数，对网络通信异常数据集选择分解层数，进行多级分解，获得不同尺度上的细节系数和近似系数；将不同尺度上的细节系数和近似系数构建为网络通讯数据特征向量；使用分类器对网络通讯数据特征向量进行分类，获得正常类别和异常类别；基于正常类别和异常类别，通过逆离散变换函数，将正常类别和异常类别内的不同尺度的细节系数和近似系数还原为原始信号；基于原始信号，通过滑动窗口提取若干个子序列，并将若干个子序列按照时间进行聚类处理，获得时序聚类数据；其中，离散小波变换函数为： ;式中，为近似系数，为低频成分信号，为细节系数，为高频成分信号，为输入信号，h为低通滤波器，为高通滤波器，为低通滤波器h对网络通信异常数据集中异常特征k进行求和，为高通滤波器对网络通信异常数据集中异常特征k进行求和，2n为降采样，k为异常特征点位，n为网络通信异常数据集；其中，逆离散变换函数为： ;式中，为原始信号，为第层的近似系数，为低频成分信号，为第层的细节系数，为高频成分信号；基于网络通讯整合异常特征与历史网络通讯数据，判断网络通讯整合异常特征是否处于异常范围区间，若否，则不做任何输出，若是，则输出位异常数据具体包括：确定网络通讯整合异常特征的置信度；基于网络通讯整合异常特征与历史网络通讯数据，筛选出每一个网络通讯整合异常特征的最大值与最小值，通过峰值公式，确定每一个异常特征的峰值；基于每一个异常特征的峰值与网络通讯整合异常特征的总数，通过平均值公式，计算异常特征的平均值；基于每一个异常特征的峰值和异常特征的平均值，通过差值公式，计算每一个异常特征的标准差；基于异常特征的平均值、每一个异常特征的标准差和网络通讯整合异常特征的置信度，通过异常范围公式，确定异常范围的上限与异常范围的下限；根据异常范围的上限与异常范围的下限，对历史网络通讯数据进行判断是否处于异常范围区间，若否，则不做任何输出，若是，则输出位异常数据；其中，峰值公式为： ;式中，G为每一个异常特征的峰值，为网络通讯整合异常特征的最大值，为网络通讯整合异常特征的最小值；其中，平均值公式为： ;式中，为异常特征的平均值，为第i个异常特征的峰值，m为异常特征的总数；其中，差值公式为： ;式中，C为每一个异常特征的标准差；其中，异常范围公式为： ;式中，为异常范围的上限，为异常范围的下限，z为置信度，所述置信度为95%。

全文数据：

权利要求：

百度查询： 南通飞隼信息科技有限公司 一种网络通讯数据智能化异常识别分析方法及系统