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

本发明专利技术公开了一种SDN架构下的基于集成学习的网络资质图片鉴别方法，属于网络技术领域，包括以下步骤：模型训练、图像分类识别和数据库比对；本发明专利技术的有益效果是：本发明专利技术利用SDN控制器获悉网络拓扑及节点状况，选择当前任务较少的节点为弱分类器训练节点，节点任务完成以后，将训练后的弱分类器根据验证准确度进行赋权、回归，得到最后分类器模型，本发明专利技术利用SDN架构，提高网络节点利用率，具有较快的运行速率；将集成学习思想应用于网络资质图像的分类识别中，识别准确率高。

A method of network qualification picture identification based on Integrated Learning under SDN framework

【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：(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，以形成本专利技术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，本专利技术中有五类，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：(d)分布节点任务完成：各分布节点模型训练结束后，通过相连的SDN交换机发送任务完成消息到SDN控制器；④最终分类器模型生成(a)SDN控制器接收到所有分布节点的完成信息后，下发Packet-out消息通知各分布节点将分类器模型传输到任务节点；(b)分类器模型集成：主要针对各分布节点训练得到的分类器模型进行赋权、回归，本次模型训练工作结束；(i)按照各类型分类器的准确率的高低进行排序，对高准确率的分类器赋予较高的权重，相应的，准确率低的分类器的权重就低；(ii)对不同类型的分类器模型进行集成得最终分类器模型，最终分类器的输出结果等于各分类器加权投票后的最大值；C＝Max{w1*C1，……，wj*Cj}其中，C为最终分类器的分类结果输出，表示第j类分类器的权重，表示第j类分类器的输出结果，其值由同类别的各分类器结果多数投票(即少数服从多数的大数原则)获得；⑤SDN控制器定期通知分布节点执行分类器训练流程(ii-v)，更新分布节点模型，以更新最终分类器模型；(2)图像分类识别：①待检测数据准备：任务节点定期启动网络爬虫工具，获取一段时间内的新出现的网络资质图像数据；②对待检测网络资质图像利用最终分类器模型进行资质图像分类识别；(3)数据库比对：将图像分类结果与各网站所属企业、单位的资质备份数据库对比，判断其是否合法。在本专利技术中进一步的，所述节点数据准备及处理过程中，训练集和测试集的比例为7：3。在本专利技术中进一步的，所述图像SIFT特征提取包括以下步骤：1)多尺度空间极值点检测：搜索所有尺度上的图像位置，通过高斯微分函数来识别潜在的对于尺度和旋转不变的候选关键点；2)关键点的精确定位：在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度，同时关键点的选择依据于它们的稳定程度；3)关键点的主方向计算：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向，所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性；4)描述子的构造：在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度；这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。在本专利技术中进一步的，所述SIFT图像特征提取中的图片特征维数为128维。在本专利技术中进一步的，所本文档来自技高网...

【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：

<...

【专利技术属性】
技术研发人员：黄惠芬，
申请(专利权)人：黄惠芬，
类型：发明
国别省市：山东;37