基于鄰域差分濾波的網絡數據增強方法

張瑞，王曉菲

摘要：為了更好地保障網絡數據運行安全，提出了基于鄰域差分濾波的網絡數據增強方法，通過對網絡數據進行采集，結合鄰域差分濾波對采集所得數據進行分類，構建大量標簽進行數據支持，有針對性地進行網絡數據增強，解決傳統數據增強方法訓練難度大、數據缺失等問題。實驗結果表明，基于鄰域差分濾波的網絡數據增強方法訓練更穩定，可以更好地提高網絡數據運行精度和安全，增強效果明顯較好，具有更高的可行性和有效性。

關鍵詞：鄰域差分濾波;網絡數據; 數據增強

中圖分類號：TN912? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）21-0035-02

開放科學（資源服務）標識碼（OSID）：

隨著鄰域差分濾波技術的發展，基于鄰域差分濾波的網絡數據增強方法有所突破。當網絡數據樣本標記充分時，使用鄰域差分濾波方法可提高分類精度。但是，但由于部分環境下受到較強的干擾或攻擊行為影響，導致網絡的穩定性和泛化能力都很差，網絡數據的收集和標簽數據獲取相對較為困難，且需要花費很多時間和精力[1]。基于上述方法，需要進一步進行網絡數據的增，對小數據集上的網絡數據進行有效的訓練和增強處理。網絡數據增強是克服信息受損的重要方法[2]。基于鄰域差分濾波的網絡數據增強方法將有限的數據合并或轉換為新數據。將灰度變換簡單的方法結合起來，將仿射變換應用于網絡。將幾何變換和網絡運算結合起來，可以在一定程度上減少過擬合法，提高網絡泛化能力。

1 基于鄰域差分濾波的網絡數據預處理

為了保證網絡環境的健康穩定運行，首先需要對網絡異常數據進行采集和分類，以便后續進行增強處理，為保障研究效果，歸納總結了多種網絡異常數據采集方法[3]。以數據采集方法為核心，對特征數據進行預處理。在網絡流量異常檢測方面，幾乎所有的網絡流量在送往異常檢測器前都要經過數據預處理[4]。

利用鄰域差分濾波進行網絡數據的采集篩選和異常檢測處理。針對采集篩選獲取網絡流量異常的數據集，進行通常數據特征粒度的分類。在網絡數據預處理的過程中，將包層進行 記錄，檢測數據的高維稀疏特征，并進一步對網絡結構中的冗余數據進行剔除[5]。為保障網絡流量數據預處理的正確性，保證網絡數據增強效果，進一步對采集所得數據中維數過大的信息進行優化，結合NP-hard方法對多維輸入空間的復雜度進行降維處理，隨著網絡數據中每個新變量的索引而增加，篩選網絡數據矢量的相似性，從而保證網絡數據預處理的精確度和有效性。網絡數據增強是克服數據不足的一種重要方法，基于數據預處理結果，進一步在有限的網絡數據中進行特征數據的組合和轉換處理，并進一步結合鄰域差分濾波算法生成新的特征數據。在此基礎上，進一步給出網絡數據的變換的數據增強方法，結合旋轉參數，縮放數值，位移信息等進行處理。并進一步對網絡數據特征的對比度變換和附加噪聲進行消除。基于預處理后的網絡標簽，對網絡領域進行定位。以幾何變換為基礎鄰域差分濾波進行網絡數據的增強運算，有效緩解網絡數據增強過程中常見的過擬合問題，提高網絡數據推廣能力。

2 網絡數據增強算法

將網絡數據中的顯性模式和隱性模式進行劃分。獲取一個隱含的密度模型，即網絡不能明確地給出數據分布的密度函數。以此實現對網絡數據函數式的 WAN全局優化推廣，則對其算法進行優化，進一步對網絡數據增強條件生成對抗網絡加入了分類信息中記為Y，使之能夠生成指定分類的數據。

從數據增強的角度出發，通過改進生成對抗網絡的結構和訓練算法，設計了一種基于生成對抗網絡的數據增強方法，并將其應用到數據增強網絡中。與其他網絡結構相比，提出的鄰域差分濾波網絡結構更適用于數據增強任務，當產生的樣本與原始數據難以區分時，可以進行類間分離，實現對學習復合數據點邊界的檢測。在訓練算法方面，在鄰域差分濾波算法的基礎上，結合分類器的訓練過程，推導出一個新的損失函數，使數據處理和分類器的訓練同步，不需要額外的存儲空間。在特征相似指數選擇的基礎上，可以采用多種方法確定最小冗余條件，并進行去除。

假設在網絡數據結構中，高正相關和高負相關均為冗余，基于此獲取網絡特征數據的相關絕對值，進行網絡數據長度的度量，研究發現網絡流量異常檢測在數據預處理階段主要存在兩個問題：一是網絡流量數據特征繁多，具有一定的冗余性，二是維數過高，在實際操作中會帶來許多意想不到的后果，三是網絡流量正常數據被提取并標記，成本較高。為解決上述問題，進一步對網絡數據進行特征融合，具體的數據特征融合方法如下圖所示：

在進行網絡數據增強的過程中，數據異常檢測和去噪是關鍵所在。針對這兩個問題，提出了網絡流量數據特征化及數據增強的新方法。對大小樣本網絡流量數據進行預處理，可以獲得高壓力縮率和大樣本流量，從而降低計算成本，提高后續網絡的異常檢測性能。針對網絡流量數據的特點，將網絡數據w-dba協議進行數據增強，并將其應用于網絡流量數據增強模塊，以生成符合原始數據集分布的無線網絡流量數據樣本，并且保持數據的多樣性。

進一步對網絡數據增強模型進行優化，網絡數據增強模型能有效保證數據在增強過程中不存在過擬合和弱分類問題，從而實現準確、有效滿足用戶的個性化需求，適合于各種網絡場景和環境。現有的網絡數據增強模型主要應用于人臉識別、目標檢測和目標跟蹤等網絡處理過程。在進行網絡數據增強處理的過程中，需要考慮建立需要代價因素進行優化，通過設置有限的網絡訓練樣本，避免對網絡數據進行強化處理，從而達到限制特征分類精度的目的。在此基礎上，提出了一種基于鄰域差分濾波進行網絡增強數據選擇策略的優化，這種策略對于具有連續值的數據集更為有效，不受值的絕對大小的影響，而更關注特征之間的數值比例。可以更好地進行數據增強處理。基于上述方法進一步優化了網絡數據變化方向、大小和間隔，并采用網絡數據特征屬性提取算法實現了量化特征直方圖的標準化，在不影響數據特征和距離特征檢測結果的前提下，分析了網絡特征的變化、影響范圍和干擾程度，并對干擾和冗余成分進行了去除。在數據增強空間較大時，通常需要快速尋找優化的任務分配方法，建立處理集合，減少處理時間，節省處理成本。由于網絡數據中心處理大量數據，所以云數據中心需要頻繁地運行。為保證跨數據中心大數據處理的性能和可靠性，提出一種容錯調用策略。具體過程中如下圖所示。