本發(fā)明涉及計算機視覺以及自然語言處理，具體為一種基于譜聚類構(gòu)圖的的圖卷積神經(jīng)網(wǎng)絡(luò)協(xié)議分類方法。

背景技術(shù)：

1、隨著云計算技術(shù)的快速發(fā)展，云平臺作為承載高并發(fā)業(yè)務(wù)和復(fù)雜計算任務(wù)的核心基礎(chǔ)設(shè)施，正日益成為現(xiàn)代信息化建設(shè)的重要支柱。然而，云平臺的復(fù)雜性和動態(tài)特性使得其在運行過程中經(jīng)常出現(xiàn)性能瓶頸和服務(wù)故障問題。特別是在以微服務(wù)為核心架構(gòu)的云環(huán)境中，服務(wù)之間通過大量的網(wǎng)絡(luò)協(xié)議進行通信，這些協(xié)議交互的復(fù)雜性和動態(tài)變化對系統(tǒng)的故障識別與快速響應(yīng)提出了更高要求。傳統(tǒng)的故障檢測與處置方法多采用規(guī)則驅(qū)動模式，基于預(yù)定義的閾值或規(guī)則對監(jiān)控數(shù)據(jù)進行分析和判斷。然而，這類方法對多變的協(xié)議交互特征的適應(yīng)能力有限，面對云平臺中協(xié)議數(shù)據(jù)量大、類型多樣化等問題，難以實現(xiàn)高效的協(xié)議分類與精準處理。

2、在云平臺的實際運行環(huán)境中，協(xié)議分類是實現(xiàn)高效資源管理和故障定位的關(guān)鍵技術(shù)之一。協(xié)議分類的目的是基于協(xié)議的流量特征或交互行為，將網(wǎng)絡(luò)數(shù)據(jù)準確歸類到對應(yīng)的協(xié)議類型?，F(xiàn)有的協(xié)議分類方法主要依賴特征工程和傳統(tǒng)機器學(xué)習模型，這些方法對手工設(shè)計的特征高度依賴，模型的性能受限于特征提取的質(zhì)量和泛化能力，難以有效應(yīng)對復(fù)雜協(xié)議數(shù)據(jù)的非線性特征。

3、近年來，基于圖結(jié)構(gòu)數(shù)據(jù)的分析方法逐漸受到關(guān)注。由于云平臺中協(xié)議交互數(shù)據(jù)本質(zhì)上具有網(wǎng)絡(luò)化和關(guān)聯(lián)性的特點，通過圖建模能夠更加直觀地刻畫協(xié)議之間的關(guān)系和交互模式。然而，傳統(tǒng)的圖分析方法在提取全局結(jié)構(gòu)特征和處理大規(guī)模數(shù)據(jù)方面存在明顯不足。為此，圖神經(jīng)網(wǎng)絡(luò)（graph?neural?network,?gnn）作為一種新興的深度學(xué)習技術(shù)，通過將節(jié)點特征和圖結(jié)構(gòu)信息結(jié)合建模，展現(xiàn)了優(yōu)異的圖結(jié)構(gòu)數(shù)據(jù)處理能力。然而，直接應(yīng)用圖神經(jīng)網(wǎng)絡(luò)進行協(xié)議分類時，還面臨以下技術(shù)難題：首先，如何從復(fù)雜的協(xié)議交互數(shù)據(jù)中有效提取特征并構(gòu)建具有顯著聚類特性的圖結(jié)構(gòu)；其次，如何通過設(shè)計高效的圖神經(jīng)網(wǎng)絡(luò)模型，充分利用圖的全局和局部特征，實現(xiàn)高精度的協(xié)議分類；最后，如何在處理海量協(xié)議數(shù)據(jù)時保持算法的高效性，以滿足云平臺實時故障處置的要求。

4、針對上述問題，本發(fā)明提出了一種基于譜聚類構(gòu)圖的圖卷積神經(jīng)網(wǎng)絡(luò)協(xié)議分類方法。通過引入譜聚類算法對協(xié)議數(shù)據(jù)進行預(yù)處理，生成具有高度聚類特性的圖結(jié)構(gòu)模型，結(jié)合圖卷積神經(jīng)網(wǎng)絡(luò)在圖結(jié)構(gòu)數(shù)據(jù)上的強大建模能力，實現(xiàn)了對協(xié)議交互數(shù)據(jù)的高效分類。該方法能夠充分利用協(xié)議數(shù)據(jù)的結(jié)構(gòu)特征，在保持較高分類精度的同時顯著提升分類效率，為云平臺的故障識別和處置提供了強有力的技術(shù)支撐。

技術(shù)實現(xiàn)思路

1、針對上述技術(shù)所存在的問題，本發(fā)明的目的在于提供一種基于譜聚類構(gòu)圖的的圖卷積神經(jīng)網(wǎng)絡(luò)協(xié)議分類方法。

2、為了達到上述目的，本發(fā)明采取的技術(shù)方案如下：

3、一種基于譜聚類構(gòu)圖的圖卷積神經(jīng)網(wǎng)絡(luò)協(xié)議分類方法，包括以下步驟：

4、步驟1、從收集的網(wǎng)絡(luò)協(xié)議數(shù)據(jù)中篩選關(guān)鍵字段并生成數(shù)據(jù)集；

5、步驟2、優(yōu)化傳統(tǒng)譜聚類構(gòu)圖算法，對篩選出的數(shù)據(jù)進行聚類，將數(shù)據(jù)處理成適合圖神經(jīng)網(wǎng)絡(luò)的圖結(jié)構(gòu)形式；

6、步驟3、將步驟2中譜聚類結(jié)果圖進行圖結(jié)構(gòu)優(yōu)化操作；

7、步驟4、利用譜聚類得到的圖結(jié)構(gòu)作為圖卷積神經(jīng)網(wǎng)絡(luò)的輸入，提出s-gcn模型，采用隨機初始化的三層gcn進行建模，對節(jié)點三階鄰域進行卷積，在最后一層通過對節(jié)點特征聚合來實現(xiàn)網(wǎng)絡(luò)協(xié)議分類。

8、步驟1中：原始的數(shù)據(jù)集中，報文包含了從物理層到應(yīng)用層在內(nèi)的所有字段，需要對數(shù)據(jù)集進行處理，篩選關(guān)鍵字段，

9、步驟1-1，對數(shù)據(jù)集進行流量切分，

10、步驟1-2，對數(shù)據(jù)集進行流量去冗余，

11、步驟1-3，對數(shù)據(jù)集進行字段選取，

12、步驟1-4，統(tǒng)一數(shù)據(jù)集長度和標簽，

13、步驟1-5，生成新的數(shù)據(jù)集。

14、步驟2中：在對數(shù)據(jù)進行預(yù)處理之后，將協(xié)議數(shù)據(jù)變?yōu)榫仃囆问?，每一行為一條報文，每一列是報文的不同特征，得到數(shù)據(jù)矩陣，由個數(shù)據(jù)組成的數(shù)據(jù)矩陣，每個樣本都有個特征，使用譜聚類構(gòu)圖算法進行構(gòu)圖，具體如下：

15、步驟2-1、依據(jù)輸入的數(shù)據(jù)矩陣構(gòu)建相似圖矩陣，

16、步驟2-2、依據(jù)相似圖矩陣構(gòu)建拉普拉斯矩陣，

17、步驟2-3、對進行特征分解，提取前個最小特征值所對應(yīng)的特征向量，構(gòu)建譜表示矩陣，

18、步驟2-4、利用k-means聚類對譜表示進行劃分，獲得聚類結(jié)果，

19、步驟2-5、對聚類結(jié)果進行結(jié)果分析和驗證。

20、對譜聚類構(gòu)圖算法進行優(yōu)化，具體如下：

21、對于原始樣本和，其相似度為，通過轉(zhuǎn)換矩陣把原始數(shù)據(jù)從原特征空間投影到低維特征子空間，同時，低維空間中的樣本與之間的局部結(jié)構(gòu)不變，數(shù)學(xué)表示為：

22、（1）

23、

24、其中，是高斯核的參數(shù)，在計算距離時均采用布雷柯蒂斯距離，其公式如下：

25、（2）

26、其中，，分別為向量，的各個特征分量，

27、采用正交約束項對轉(zhuǎn)換矩陣進行約束，由此得到lpp的目標函數(shù)如下：

28、?(3)

29、其中，，表示對角矩陣，是單位陣，是正交約束用于生成不相關(guān)譜向量，對角元素等于相似圖矩陣的行向量和，

30、即,用超圖構(gòu)建拉普拉斯矩陣，接著用超圖拉普拉斯矩陣約束譜表示，公式（3）改寫為：

31、（4）

32、其中，是一個超圖拉普拉斯矩陣，

33、將屬性選擇嵌入到子空間學(xué)習框架中，

34、（5）

35、其中，是行稀疏矩陣，非負數(shù)是在學(xué)習過程中平衡子空間學(xué)習和屬性選擇的調(diào)節(jié)參數(shù)。

36、在后續(xù)聚類過程中，采用譜旋轉(zhuǎn)聚類方法，將譜旋轉(zhuǎn)聚類嵌入到譜表示學(xué)習框架中完成一步聚類，目標函數(shù)如公式：

37、

38、（6）

39、其中，為調(diào)優(yōu)系數(shù)。

40、求解目標函數(shù)公式（6），

41、首先，初始化指示矩陣、轉(zhuǎn)換矩陣以及單位矩陣,隨后，進入一個迭代循環(huán)，該循環(huán)將持續(xù)執(zhí)行，直至滿足公式（6）所定義的收斂準則，

42、在此迭代過程中，轉(zhuǎn)換矩陣的更新遵循以下三個步驟：

43、步驟（1）啟動一個內(nèi)層迭代循環(huán)，該循環(huán)將執(zhí)行直至轉(zhuǎn)換矩陣的更新滿足由公式（7）所規(guī)定的收斂條件，

44、步驟（2）在內(nèi)層循環(huán)中，首先根據(jù)公式（11）對轉(zhuǎn)換矩陣進行更新，隨后gpi框架對矩陣進行更新，最終根據(jù)公式（13）對矩陣進行更新。

45、步驟（3）這些步驟將循環(huán)執(zhí)行，直至轉(zhuǎn)換矩陣的更新達到公式（7）所設(shè)定的收斂標準。

46、上述內(nèi)層循環(huán)完成后，根據(jù)公式（15）對矩陣進行更新，接著根據(jù)公式（16）對矩陣進行更新，完成這些更新步驟后，返回至外層迭代循環(huán)，繼續(xù)更新轉(zhuǎn)換矩陣，直至滿足由公式（6）定義的收斂準則，整個迭代過程持續(xù)進行，直至轉(zhuǎn)換矩陣的更新滿足外層循環(huán)的收斂條件，

47、對的更新，

48、在對進行更新的時候，需要固定和，則求解目標函數(shù)相當于求解公式（7），

49、

50、（7）

51、使用迭代加權(quán)最小二乘的框架解決公式（7）不光滑的問題，則公式（7）變成下式：

52、

53、（8）

54、其中是超圖對角矩陣，其對角元素為，

55、采用交替方向乘法算子框架將復(fù)雜問題分解為多個易求解的子問題，設(shè)則公式（8）變?yōu)橄率剑?/p>

56、

57、（9）

58、經(jīng)過上式的轉(zhuǎn)換，將優(yōu)化問題轉(zhuǎn)換為三個式的子問題來進行解決：

59、（10）

60、針對、，進行更新，將值設(shè)置為1，將的導(dǎo)數(shù)設(shè)置為0，即得到的閉解：

61、（11）

62、而的更新通過變換直接實現(xiàn)：

63、

64、（12）

65、其中，

66、當計算出和后，得到的優(yōu)化，通過公式（13）進行的優(yōu)化：

67、（13）

68、對的更新，

69、在更新的時候，需要固定和，則目標函數(shù)就變成了下式：

70、（14）

71、是一個指示矩陣，其中元素只有0和1兩個值，是對的逼近，公式（14）的解如下：

72、（15）

73、對的更新，

74、更新需要對和進行固定，則目標函數(shù)就等價于下式：

75、

76、（16）

77、對公式（16）進行最小化，經(jīng)過變換后其等價于：

78、

79、（17）

80、再設(shè)和分別是關(guān)于點的奇異值分解的左右奇異矩陣，即：

81、?（18）

82、利用標準正交的縮放聚類指標矩陣替換非標準正交的聚類指標矩陣，使兩個標準正交矩陣之間的差異最小化，得到的閉式解：

83、?(19)。

84、步驟3將步驟2中譜聚類結(jié)果圖進行圖結(jié)構(gòu)優(yōu)化操作，具體如下：

85、將步驟2處理后的數(shù)據(jù)集，定義第個樣本和所有數(shù)據(jù)點概率為連接到的一個鄰居，概率通過下式來確定：

86、（20）

87、找到一個線性組合，使其最接近低維流形的原始特征，如下式：

88、（21）

89、約定一個約束函，其中是相似圖矩陣中的連通分量的個數(shù)，使用下式讓與初始圖擬合：

90、（22）

91、其中是更新后的拉普拉斯矩陣，初始圖是由步驟3得到的圖，

92、使用圖學(xué)習和基于的稀疏學(xué)習來解決噪聲和異常值問題，如下式：

93、（23）

94、其中約束取決于，是的第個特征值，當是半正定時，有且約束函數(shù)表示，再由樊畿定理得到得到：

95、（24）

96、公式（23）通過以下式子求解：

97、

98、（25）

99、是非負調(diào)諧參數(shù)，表示特征空間在規(guī)約后的特點，通過求解公式（25），得到一個高質(zhì)量的圖，

100、步驟4中，構(gòu)建基于譜聚類構(gòu)圖的圖卷積神經(jīng)網(wǎng)絡(luò)模型，將步驟3中優(yōu)化的圖結(jié)構(gòu)數(shù)據(jù)輸入模型中進行網(wǎng)絡(luò)協(xié)議分類，

101、使用超圖進行節(jié)點的半監(jiān)督分類，定義一個無向超圖，其中表示頂點，表示邊，同時還有一個標記超節(jié)點的小集合，每個超節(jié)點都關(guān)聯(lián)一個特征向量，其中是維度數(shù)，

102、的關(guān)鍵是圖的拉普拉斯算子，拉普拉斯算子的定義方法如下，

103、計算公式如下，

104、1）對于每個超邊，令，

105、2）將權(quán)值為的邊添加到頂點上，構(gòu)造一個加權(quán)圖，其中為超邊的權(quán)值，然后在每個頂點上添加自循環(huán)，使頂點在中的度等于，設(shè)表示的加權(quán)鄰接矩陣，

106、3）對稱歸一化超圖拉普拉斯函數(shù)為：

107、（26）

108、在得到鄰接矩陣和所有節(jié)點特征組成的特征矩陣后，通過公式（27）在節(jié)點之間傳遞聚合信息進行圖卷積操作，使用隨機初始化權(quán)重的3層gcn來捕獲整個圖的結(jié)構(gòu)，在最后一層對節(jié)點特征進行聚合以進行分類，最后使用全局注意力機制來進行輸出。

109、（27）

110、其中，為添加了自連接的無向圖的鄰接矩陣，是單位陣；是每層特定的可訓(xùn)練權(quán)重矩陣；表示激活函數(shù)；是第層的激活矩陣，且，

111、相對于現(xiàn)有技術(shù)，本技術(shù)的優(yōu)點如下：

112、本技術(shù)在傳統(tǒng)譜聚類的基礎(chǔ)上，對譜聚類算法進行了優(yōu)化，具體地，結(jié)合子空間學(xué)習和屬性選擇進行降維，可以動態(tài)地選擇固有的重要屬性，構(gòu)建低維空間中魯棒的譜表示，避免冗余屬性和離群值的影響。本技術(shù)使用了高質(zhì)量的圖結(jié)構(gòu)對gcn模型的分類性能優(yōu)化。引入了一種自適應(yīng)圖學(xué)習來捕捉數(shù)據(jù)的內(nèi)在低級相關(guān)性，并使用超圖來建立數(shù)據(jù)之間的關(guān)系。針對數(shù)據(jù)的冗余信息本技術(shù)使用了稀疏學(xué)習和低秩約束與圖學(xué)習，將兩者加以結(jié)合，提高了結(jié)果的準確性和模型的魯棒性。實驗結(jié)果表明，所提出的基于譜聚類的構(gòu)圖方法以及優(yōu)化的分類方法s-gcn在協(xié)議分類和識別效果上優(yōu)于其他對比方法。