【技术实现步骤摘要】
一种SDN架构下的基于集成学习的网络资质图片鉴别方法
本专利技术属于网络
,具体涉及一种SDN架构下的基于集成学习的网络资质图片鉴别方法。
技术介绍
资质证明大体可以分为两类,一类是单位的,包括机关、团体、法人、企业等非自然人的实体或其下属部门的,另一类是个人的,它是说明单位或个人做事的一种资格,资质图片是资质证明的图片。现有技术存在以下问题:现有分类模型训练时间较长、训练准确度不高等。
技术实现思路
为解决上述
技术介绍
中提出的问题。本专利技术提供了一种SDN架构下的基于集成学习的网络资质图片鉴别方法,具有较快的运行速率,训练时间短以及识别准确率高的特点。为实现上述目的,本专利技术提供如下技术方案:一种SDN架构下的基于集成学习的网络资质图片鉴别方法,包括以下步骤:(1)模型训练:①任务基础设置:目前网络较为主流的资质图像按照是否合法分成两大类,并且将合法的资质图像分成五类,即安全生产许可证、经营许可证、省级文明单位证、食品卫生许可证及工程设计许可证;②分布节点(即弱分类器模型训练节点)选择:(a)SDN控制器计算节点资源忙闲程度:SDN控制器可以掌控全局网络拓扑,并且可以判断各节点的忙闲状态;根据弱分类器模型训练的要求,各节点的忙闲状态反映其资源使用情况,主要由内存、CPU、交换带宽等物理资源占用情况来决定;将物理资源占比定义为已用和总量的比值,且状态如下:(b)SDN控制器选择弱分类器模型训练节点的方法如下: ...
【技术保护点】
1.一种SDN架构下的基于集成学习的网络资质图片鉴别方法,包括以下步骤:/n(1)模型训练:/n①任务基础设置:目前网络较为主流的资质图像按照是否合法分成两大类,并且将合法的资质图像分成五类,即安全生产许可证、经营许可证、省级文明单位证、食品卫生许可证及工程设计许可证;/n②分布节点(即弱分类器模型训练节点)选择:/n(a)SDN控制器计算节点资源忙闲程度:SDN控制器可以掌控全局网络拓扑,并且可以判断各节点的忙闲状态;根据弱分类器模型训练的要求,各节点的忙闲状态反映其资源使用情况,主要由内存、CPU、交换带宽等物理资源占用情况来决定;将物理资源占比定义为已用和总量的比值,且状态如下:/n
【技术特征摘要】
1.一种SDN架构下的基于集成学习的网络资质图片鉴别方法,包括以下步骤:
(1)模型训练:
①任务基础设置:目前网络较为主流的资质图像按照是否合法分成两大类,并且将合法的资质图像分成五类,即安全生产许可证、经营许可证、省级文明单位证、食品卫生许可证及工程设计许可证;
②分布节点(即弱分类器模型训练节点)选择:
(a)SDN控制器计算节点资源忙闲程度:SDN控制器可以掌控全局网络拓扑,并且可以判断各节点的忙闲状态;根据弱分类器模型训练的要求,各节点的忙闲状态反映其资源使用情况,主要由内存、CPU、交换带宽等物理资源占用情况来决定;将物理资源占比定义为已用和总量的比值,且状态如下:
(b)SDN控制器选择弱分类器模型训练节点的方法如下:
(i)针对每一个节点,计算其物理资源占用比,判断其忙闲状态:
分别计算该节点的内存、CPU及交换带宽的占用比,
if内存、CPU、交换带宽占用比全部<70%,
该节点为空闲节点,
If三项占用比<40%,
最优空闲节点,
End,
Else,
该节点为忙节点,
End;
(ii)将所有空闲节点进行优先级排序,依据是:最优空闲节点优先,且与任务节点路由距离为次排序标准;
(iii)选择排序最靠前的9个节点作为弱分类器模型训练的节点;
(c)SDN控制器将相应任务流表下发到SDN交换机:SDN控制器向各分布节点相连的SDN交换机下发“Packet-out”消息,以通知执行任务的分布节点的物理地址信息、路由信息、任务节点相关信息;
③分布节点进行弱分类器模型训练:
(a)节点数据准备及处理:分布节点接收到交换机的任务相关信息之后,启动弱分类器模型训练任务,首先将网络图片采用爬虫技术下载各类资质图片到制定目录,以形成本发明所需的各类图像的训练子集和验证子集;生成训练集和验证集图像的文件列表;对图像归一化预处理:所有图片样本的尺寸是256*256,选取常见5类资质图像,每类图像2000幅,为每幅图像的标签是5种资质图像分类标签中的一种,并下载非资质图片为5000幅,按比例分成训练集和测试集;
(b)网络图像特征提取:针对资质图像的特殊性,采用SIFT特征,该特征具有尺度不变性,即使改变旋转角度、图像亮度或拍摄视角,仍然能够得到好的检测效果,流程如下:
(i)提取每幅图像的sift特征,此时每幅图的特征数量不固定,但是每个特征的维数是确定的;
(ii)利用K-均值聚类方法将上述特征聚类为固定数量为100的特征;
(iii)对100个特征值进行归一化处理;
(iv)将训练集和验证集每幅图的100个特征向量及其所属分类标签分别作为模型训练和预测验证的输入;
(c)分布节点模型训练:在各节点利进行一个弱分类器训练,获得用于资质图像分类的弱分类器模型,产生节点训练模型,分类问题可以定义为:已知集合C={y1,y2,…,yn}和X={x1,x2,…},存在映射y=f(x),使任意xi∈X,存在yi∈C,yi=f(xi)成立;
(i)SVM模型训练:SVM是以最优化理论为基础来处理机器学习的方式,主要是用来解决两类分类的问题,在两类中寻找一个最优超分平面将两类分开;SVM是二分类的分类器模型,本发明中有五类,标签为1,2,3,4,5;训练过程中,进行二分类模型组合(1,2),(1,3),(1,4),(1,5),(2,3),(2,4),(2,5),(3,4),(3,5),(4,5),将所对应的特征向量作为训练集,得到十个分类结果,对十个结果采取大数投票形式,得到该分类器结果;
(ii)SVM模型验证:将验证集图像特征向量输入至分类器模型,获得预测分类结果,将其与自身所属类别标签对比,计算分布节点模型准确度:
<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。