非平衡过采样方法及其在视频流量识别中的应用研究

发布时间：2020-10-08 21:37

　　随着网络技术和应用的迅速发展,视频流量成为互联网中增长最快的流量类型,其占据了网络流量的大部分。快速增长的视频流量对互联网的管理造成了严峻的挑战。此外网络中充斥着大量不健康和非法的视频,这些视频严重危害人们的身心健康同时也扰乱了社会的稳定发展,因而从网络的角度对互联网中的视频流量进行有效的管理是一个迫切需要解决的问题。互联网中的视频流量是一种典型的非平衡数据,像色情和暴力的视频相对于正常的视频流量是比较少的,因此互联网视频流量的识别是一种非平衡问题。目前有很多不同的方法可以解决非平衡问题,其中数据层面的方法由于其独立于分类器的特性而受到广泛的关注,然而这些方法有一定的缺陷,它们只是简单的考虑局部近邻信息然后线性的生成数据,这会导致错误样本的生成。本文针对互联网视频流量的非平衡问题展开研究,建立了一个从基础数据的采集到视频流量识别方法的解决方案。在本文中首先提出了一种新的有效特征提取方法,即字节码分布(BCD),为互联网视频流量类型的识别做前期准备。BCD方法首先从视频流中计算每个字节码值(0到255)出现的次数,然后计算每个字节码出现的频率。这样256个比率就是提取的视频流量的特征。比起传统的包层面的特征,BCD特征包含了更多的视频类型信息,可以更加正确地识别。针对视频流量的非平衡问题,本文提出了一种新的数据层面的方法,即生成式学习(GL)。在GL中,采用高斯混合模型(GMM)来拟合原始数据的分布并基于此分布生成新数据。生成的数据包括合成的少数类和多数类,用于训练学习模型。相关实验结果表明,GL方法在与其他非平衡过采样方法对比中具有竞争力,并且Wilcoxon符号秩检验结果证明了所提出方法的显著优势。该方法以较高的AUC值成功的识别出非平衡互联网中的视频流量。为进一步提升非平衡互联网视频流量的识别效果,本文针对GL方法的不足,提出了另一种新的过采样方法,即高斯分布引导的过采样(GDGO)。在GDGO中,首先通过一个计数因素和一个距离因素加权少数类实例,然后通过概率选择机制选择锚点少数类实例,最后以锚点少数类为中心生成符合高斯分布的数据。相关实验结果表明,GDGO的性能高于其他对比的非平衡过采样方法,假设检验结果再一次验证了提出的方法对于解决非平衡问题的有效性。GDGO也进一步提高了非平衡互联网视频流量的识别。
【学位单位】：济南大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP393.06
【部分图文】：

视频流

互联网视频流量的采集和特征提取方法，这是研究非平内容安排如下：2.1 部分介绍了视频流量的采集和预处的特征提取方法，在 2.3 部分中，实施了一系列特征评及对结果的分析。2.4 部分对本章做了简要的总结。的采集和预处理采集试平台部署在我们的校园网环境中，如图 2.1 所示。我端来采集视频数据。每台客户端计算机配备两个 Intel Ps 7 系统。我们在客户端计算机上部署 Wireshark 数据包据，然后将收集的数据发送到中央服务器，并在服务器

案例研究,节码,包大小

1,2,,256.2561 11 jkniikniijjccf (2.2，我们得到了一个 256 维的向量 {,,,}12256F ff f，这个就是特征向量。这些特征显示了视频流中 256 个字节码的分布特点。这种简单的统计特征具有两著优点。首先，提取这些特征的计算和存储的代价都很低，其次，这些特征在一度上依赖于原始视频的内容。也就是说，它们可以显示原始视频的模式。图 2.2了这种分布的案例研究。对于浪漫类型，在字节码 0 附近出现了显著的高值。而动作类型，较高的值出现在了字节码 250 附近。为了比较，我们还可视化了这两频类型的包大小和包到达时间间隔，如图 2.3 和 2.4 所示。可以看出使用这两个包的特征来区分两种视频类型并不容易。大多数包的包大小值都是 1500（字节）左包到达时间间隔集中在 0 附近。

包大小,案例研究

了这种分布的案例研究。对于浪漫类型，在字节码 0 附近出现了显著的高值。而动作类型，较高的值出现在了字节码 250 附近。为了比较，我们还可视化了这两频类型的包大小和包到达时间间隔，如图 2.3 和 2.4 所示。可以看出使用这两个包的特征来区分两种视频类型并不容易。大多数包的包大小值都是 1500（字节）左包到达时间间隔集中在 0 附近。(a) 言情电影 (b) 动作电影图 2.2 BCD 特征的案例研究

【相似文献】