一种基于灰狼算法的网络流量分类方法及装置与流程

本发明涉及网络流量分类领域，尤其涉及一种基于灰狼算法的网络流量分类方法及装置。

背景技术：

精确的网络流量分类识别不仅是流量工程实施、应用服务区分、用户行为监控的基础，而且是业务结构优化、QoS保障及网络安全管理的重要保障。传统流量识别方法是基于互联网号码分配局指定的固定服务端口实现的，通过不同的服务端口识别流量的应用协议。然而随着P2P技术及私有协议的广泛应用，大量的应用协议都使用动态端口的方式实现数据传输，导致传统依据服务端口的识别方法不再有效。

裴杨等人提出基于SVM的网络流量分类方法，但是由于SVM算法复杂度高，不适合海量网络数据梳理。吴剑飞提出了模糊C均值(Fuzzy C-Means,FCM)算法作为聚类器，应用在网络流量分类中。由于FCM算法具有简单、快速的优点，被广泛应用于海量网络数据的分析，但是由于该算法对初始质心敏感，并且基于梯度下降进行搜索常常使算法陷入局部最优。为了解决这一问题，有学者将遗传算法引入聚类算法中，虽然提高了算法的全局搜索能力，但优化结果不稳定。魏新红对PSO的粒子编码进行简化，消除了样本向量维数对粒子群聚类算法的影响，但是操作步骤复杂，控制参数较多。

技术实现要素：

本发明实施例提供了一种基于灰狼算法的网络流量分类方法及装置，解决了现有的网络流量分类方法对网络流量间进行多尺度分解，采用的小波变换只在低频部分对网络流量进行分解，导致分解的精确度不够高，影响了对后期网络流量的聚类和分类，基于群智能算法的聚类优化模型易陷入局部最优解，收敛速度慢，导致该模型在网络流量分类识别的准确性和效率不高的技术问题。

本发明实施例提供的一种基于灰狼算法的网络流量分类方法，包括

S1：通过小波包变换对网络流量数据进行多层次和多尺度预处理分解；

S2：通过新型群智能算法-灰狼横纵多维混沌寻优算法优化FCM聚类算法模型，通过FCM聚类算法模型对分解后的网络流量数据进行分类。

优选地，所述步骤S1具体包括：

通过低通滤波器H和高通滤波器G，通过小波包变换对n个网络流量时间序列信号数据分解为一层低频信号序列组和高频信号序列组，将一层所述低频信号序列组和所述高频信号序列组通过预定的分解函数和重构函数分别分解为下一层的两个低频信号子序列组和两个高频信号子序列组。

优选地，所述步骤S2具体包括：

S21：接收分解后的n个网络流量时间序列信号数据、网络流量时间序列信号数据的c个聚类构成的聚类集、网络流量时间序列信号数据的第j个网络流量时间序列信号数据x_j对网络流量时间序列信号数据的聚类集的第i个聚类的隶属度u_ij、人工灰狼种群、最大迭代次数Maxgen，对网络流量时间序列信号数据进行归一化处理，对人工灰狼种群中的每个人工灰狼粒子进行拆分成c个聚类，通过第j个网络流量时间序列信号数据对第i个聚类的隶属度u_ij把n个网络流量时间序列信号数据分到不同的每个人工灰狼粒子的聚类中，通过预定的适应度公式计算每个人工灰狼粒子的适应度值，每个人工灰狼粒子对网络流量时间序列信号数据所处空间横向向量和纵向向量分别通过预定的人工灰狼粒子在空间横向向量和纵向向量的位置迭代公式分别进行横向迭代寻优和纵向迭代寻优；

S22：判断每个人工灰狼粒子是否满足最大的迭代次数Maxgen，若是，则寻优结束，并将人工灰狼种群中适应度值最好的一组人工灰狼粒子进行拆分成c个聚类，通过第j个网络流量时间序列信号数据对第i个聚类的隶属度u_ij把n个网络流量时间序列信号数据分到不同的适应度值最大的一组人工灰狼粒子的聚类中，并输出n个网络流量时间序列信号数据的聚类结果，若否，则每个人工灰狼粒子继续对网络流量时间序列信号数据所处空间横向向量和纵向向量分别通过预定的人工灰狼粒子在空间横向向量和纵向向量的位置迭代公式分别进行横向迭代寻优和纵向迭代寻优。

优选地，所述步骤S1之前还包括：

S0：接收网络流量数据。

本发明实施例中提供的一种基于灰狼算法的网络流量分类装置，包括：

分解单元，用于通过小波包变换对网络流量数据进行多层次和多尺度预处理分解；

分类单元，用于通过新型群智能算法-灰狼横纵多维混沌寻优算法优化FCM聚类算法模型，通过FCM聚类算法模型对分解后的网络流量数据进行分类。

优选地，所述分解单元具体包括：

第一分解子单元，具体用于通过低通滤波器H和高通滤波器G，通过小波包变换对n个网络流量时间序列信号数据分解为一层低频信号序列组和高频信号序列组；

第二分解子单元，具体用于将一层所述低频信号序列组和所述高频信号序列组通过预定的分解函数和重构函数分别分解为下一层的两个低频信号子序列组和两个高频信号子序列组。

优选地，所述分类单元具体包括：

接收子单元，具体用于接收分解后的n个网络流量时间序列信号数据、网络流量时间序列信号数据的c个聚类构成的聚类集、网络流量时间序列信号数据的第j个网络流量时间序列信号数据x_j对网络流量时间序列信号数据的聚类集的第i个聚类的隶属度u_ij、人工灰狼种群、最大迭代次数Maxgen；

归一化处理子单元，具体用于对网络流量时间序列信号数据进行归一化处理；

第一拆分子单元，具体用于对人工灰狼种群中的每个人工灰狼粒子进行拆分成c个聚类；

第二拆分子单元，具体用于通过第j个网络流量时间序列信号数据对第i个聚类的隶属度u_ij把n个网络流量时间序列信号数据划分到不同的每个人工灰狼粒子的聚类中。

优选地，所述分类单元还包括：

计算子单元，具体用于通过预定的适应度公式计算每个人工灰狼粒子的适应度值；

横向寻优子单元，具体通过每个人工灰狼粒子对网络流量时间序列信号数据所处空间横向向量通过预定的人工灰狼粒子在空间横向向量的位置迭代公式进行横向迭代寻优；

纵向寻优子单元，具体通过每个人工灰狼粒子对网络流量时间序列信号数据所处空间纵向向量通过预定的人工灰狼粒子在纵向向量的位置迭代公式进行纵向迭代寻优。

优选地，所述分类单元还包括：

判断子单元，具体用于判断每个人工灰狼粒子是否满足最大的迭代次数Maxgen；

结束子单元，具体用于若每个人工灰狼粒子满足最大的迭代次数Maxgen，则寻优结束；

第三拆分子单元，具体用于将人工灰狼种群中适应度值最好的一组人工灰狼粒子进行拆分成c个聚类；

第四拆分子单元，具体用于通过第j个网络流量时间序列信号数据对第i个聚类的隶属度u_ij把n个网络流量时间序列信号数据分到不同的适应度值最大的一组人工灰狼粒子的聚类中；

输出子单元，具体用于输出n个网络流量时间序列信号数据的聚类结果；

迭代子单元，具体用于若每个人工灰狼粒子不满足最大的迭代次数Maxgen，则每个人工灰狼粒子继续对网络流量时间序列信号数据所处空间横向向量和纵向向量分别通过预定的人工灰狼粒子在空间横向向量和纵向向量的位置迭代公式分别进行横向迭代寻优和纵向迭代寻优。

优选地，还包括：

接收单元，用于接收网络流量数据。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例中提供的一种基于灰狼算法的网络流量分类方法及装置，其中，一种基于灰狼算法的网络流量分类方法包括：S1：通过小波包变换对网络流量数据进行多层次和多尺度预处理分解；S2：通过新型群智能算法-灰狼横纵多维混沌寻优算法优化FCM聚类算法模型，通过FCM聚类算法模型对分解后的网络流量数据进行分类。本实施例中，通过WPD-CCGWO-FCM模型采用小波包变换预处理分解网络流量，多尺度的分析网络流量特征，具有更高的精确性，通过新型群智能算法-灰狼横纵多维混沌寻优算法优化FCM聚类算法模型，通过FCM聚类算法模型对分解后的网络流量数据进行分类，解决了现有的网络流量分类方法对网络流量间进行多尺度分解，采用的小波变换只在低频部分对网络流量进行分解，导致分解的精确度不够高，影响了对后期网络流量的聚类和分类，基于群智能算法的聚类优化模型易陷入局部最优解，收敛速度慢，导致该模型在网络流量分类识别的准确性和效率不高的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1本发明实施例中提供的一种基于灰狼算法的网络流量分类方法的一个实施例的流程示意图；

图2本发明实施例中提供的一种基于灰狼算法的网络流量分类装置的一个实施例的结构示意图；

图3本发明实施例中提供的一种基于灰狼算法的网络流量分类装置的另一个实施例的结构示意图；

图4本发明实施例中提供的一种小波分解和小波包分解信号树三层分解对比图(a小波分解b小波包分解)；

图5本发明实施例中提供的一种人工灰狼信息交流自适应修正狩猎方向图；

图6本发明实施例中提供的一种人工灰狼横纵双向多维混沌寻优三维空间图；

图7本发明实施例中提供的一种基于灰狼算法的网络流量分类方法的另一个实施例的流程示意图。

具体实施方式

本发明实施例提供了一种基于灰狼算法的网络流量分类方法及装置，用于解决现有的网络流量分类方法对网络流量间进行多尺度分解，采用的小波变换只在低频部分对网络流量进行分解，导致分解的精确度不够高，影响了对后期网络流量的聚类和分类，基于群智能算法的聚类优化模型易陷入局部最优解，收敛速度慢，导致该模型在网络流量分类识别的准确性和效率不高的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例中提供的一种基于灰狼算法的网络流量分类方法的一个实施例包括：

101、通过小波包变换对网络流量数据进行多层次和多尺度预处理分解；

102、通过新型群智能算法-灰狼横纵多维混沌寻优算法优化FCM聚类算法模型，通过FCM聚类算法模型对分解后的网络流量数据进行分类。

本实施例中，通过网络流量信息多层次多尺度信号处理分解预处理、CCGWO群智能算法优化FCM提高聚类和分类网络流量的精度，解决了现有的网络流量分类方法对网络流量间进行多尺度分解，采用的小波变换只在低频部分对网络流量进行分解，导致分解的精确度不够高，影响了对后期网络流量的聚类和分类，基于群智能算法的聚类优化模型易陷入局部最优解，收敛速度慢，导致该模型在网络流量分类识别的准确性和效率不高的技术问题。

上面是对一种基于灰狼算法的网络流量分类方法进行详细的描述，下面将对一种基于灰狼算法的网络流量分类方法的过程进行详细的描述，本发明实施例中提供的一种基于灰狼算法的网络流量分类方法的另一个实施例包括：

201、接收网络流量数据；

接收网络流量数据，再通过小波包变换(WPD)对网络流量样本进行多层次和多尺度预处理分解，然后采用新型群智能算法-灰狼横纵多维混沌寻优算法(Grey Wolf optimizer based on crisscross chaotic operator,CCGWO)优化FCM聚类算法(CCGWO-FCM)，最后使用CCGWO-FCM模型对小波包变换分解后的网络流量样本进行识别，提高网络流量分类的效率和准确度。

202、通过低通滤波器H和高通滤波器G，通过小波包变换对n个网络流量时间序列信号数据分解为一层低频信号序列组和高频信号序列组，将一层所述低频信号序列组和所述高频信号序列组通过预定的分解函数和重构函数分别分解为下一层的两个低频信号子序列组和两个高频信号子序列组；

小波包变换分解(Wavelet Packet Decomposition,WPD)是一种特殊的小波变换分解(Wavelet decomposition,WD)，相对于小波变换分解只解析信号低频部分，小波包变换还能对信号高频部分进一步分解，通过多层次解析来捕捉更多信息细节，更适用于多尺度分析网络流量，如图4所示。

通过低通滤波器H和高通滤波器G，使用小波包分解将网络流量时间序列信号数据分解为低频信号和高频信号序列各一组，然后将各层的频带进一步分解为其下一层的两个子频带，分解和重构函数如式(1)和(2)所示。

在式(1)中，d为小波包分解频带系数，i是分解的层数，而h_k和g_k为小波包分解共轭滤波器的系数，k为位置指标的时间参数，l为尺度指标的频域参数。

在式(2)中，d为小波包重构频带系数，i是重构的层数，p_k和q_k是小波包分解共轭滤波器的系数，k为位置指标的时间参数，l为尺度指标的频域参数。

203、接收分解后的n个网络流量时间序列信号数据、网络流量时间序列信号数据的c个聚类构成的聚类集、网络流量时间序列信号数据的第j个网络流量时间序列信号数据xj对网络流量时间序列信号数据的聚类集的第i个聚类的隶属度、人工灰狼种群、最大迭代次数Maxgen，对网络流量时间序列信号数据进行归一化处理，对人工灰狼种群中的每个人工灰狼粒子进行拆分成c个聚类，通过第j个网络流量时间序列信号数据对第i个聚类的隶属度把n个网络流量时间序列信号数据分到不同的每个人工灰狼粒子的聚类中，通过预定的适应度公式计算每个人工灰狼粒子的适应度值，每个人工灰狼粒子对网络流量时间序列信号数据所处空间横向向量和纵向向量分别通过预定的人工灰狼粒子在空间横向向量和纵向向量的位置迭代公式分别进行横向迭代寻优和纵向迭代寻优；

判断每个人工灰狼粒子是否满足最大的迭代次数Maxgen，若是，则寻优结束，并将人工灰狼种群中适应度值最好的一组人工灰狼粒子进行拆分成c个聚类，通过第j个网络流量时间序列信号数据对第i个聚类的隶属度u_ij把n个网络流量时间序列信号数据分到不同的适应度值最大的一组人工灰狼粒子的聚类中，并输出n个网络流量时间序列信号数据的聚类结果，若否，则每个人工灰狼粒子继续对网络流量时间序列信号数据所处空间横向向量和纵向向量分别通过预定的人工灰狼粒子在空间横向向量和纵向向量的位置迭代公式分别进行横向迭代寻优和纵向迭代寻优。

灰狼优化(Grey Wolf Optimization,GWO)算法是Seyedali Mirjalili在2014年仿灰狼捕食行为提出的一种新的元启发式群智能算法。针对GWO算法容易陷入局部最优解和收敛速度慢的不足，提出一种灰狼横纵多维混沌寻优算法。

基本灰狼算法：

种群中的人工灰狼具有社会等级和任务分工制度。设α狼为全局最优解，β狼和δ狼分别为全局第二和第三优解，其余的人工狼为ω狼，ω狼在α、β和δ狼的带领下展开搜索寻优，其搜索狩猎可以抽象为以下三个步骤。

1包围。当人工灰狼群发现猎物时，人工灰狼群是由人工狼α、β、δ和ω构成的人工灰狼群。快速对猎物进行包围，其位置更新计算如式(3)所示。

其中，是当前潜在解人工灰狼与全局最优猎物的距离，而和都是向量系数，是人工灰狼迭代更新后的位置，是人工灰狼X_p当前的位置，t是当前的迭代次数，p值当前计算的人工灰狼标志，在随着迭代次数的增加从2线性递减到0，和是在区间[0,1]上的随机数。人工灰狼通过调整向量系数和可以从空间任意一个不同的地方到达同一个最优猎物所处的位置，保证了算法的全局搜索与局部开发。

2猎捕。当人工灰狼群包围猎物后，开始进行猎捕，其位置的更新由α、β和δ狼主导，计算如式(4)所示。

其和分别是和狼与其对应猎物的距离，是灰狼α当前的空间位置。

3攻击。当人工灰狼猎捕后，攻击食物完成整个狩猎过程。人工灰狼的攻击由参数向量系数(a随着迭代次数的增加从2线性递减到0)决定。因此在狩猎初期，当或时，人工灰狼分散，局部搜索猎物。随着探索寻优的深入，当时，人工灰狼群集起来攻击猎物。这种攻击模式虽然可以加快后期收敛速度，但是人工灰狼群后期始终向全局前三最优的狼群聚狩猎，导致GWO算法容易陷入局部最优解。

灰狼横纵多维混沌寻优：

人工灰狼种群始终以最优领导者α、β和δ狼为导向，让种群个体迅速聚拢，对猎物快速狩猎捕食。这虽然有利于提高种群效率，但是也丢失了部分潜在最优解，使算法早熟，种群多样性缺失。为了增强人工灰狼跳出局部最优解的能力，引用横纵双向寻优机制，人工蜂群(ABC)算法的信息交流反馈思想以及立方混沌算子，让人工灰狼通过横纵双向寻优加快个体信息传播，领导灰狼α、β和δ狼同时与ω狼相互猎物信息，增强种群多样性并自适应调整狩猎寻优方向，而且信息交流中加入立方混沌算子，加强狩猎寻优的随机性。

灰狼横向多维混沌寻优：

灰狼横向混沌寻优是人工灰狼对猎物所处空间横向向量上的多维寻优，其计算如式(5)所示。

其中，是人工灰狼在空间横向向量上狩猎移动后的位置，和分别是最优领导者α、β和δ狼在空间横向向量上的位置，是其方向上随机ω狼的位置。

为人工灰狼X到其他灰狼X_γ的横向距离。而a＝(1-t/T)·r，b＝t/T·r，r是区间[0,1]上的随机数、t是当前的迭代次数，T是总迭代次数。参数a和b分别控制α、β和δ狼，以及ω狼狩猎食物的位置定位。迭代开始时，参数a影响较大，主导整个人工灰狼群向α、β和δ狼靠拢，加快全局搜索食物的速度，随着迭代次数的增加，参数b的影响占主导地位，人工狼群通过跟ω狼增强信息交流，局部开发寻优。图5展示了人工灰狼X通过与α、β、δ和ω狼间相互信息交流，自适应修正狩猎方向，更准确捕抓猎物。

同时参数r_a和r_b均采用立方混沌算子生成，混沌算子的随机性、遍历性和非周期性有助于在一定空间范围内添加种群个体的多样性，其计算如式(6)所示。

r(t+1)＝4(r_t)³-3r_t,t≥1,r₀＝rand[-1,1] (6)

在人工灰狼群中引入ABC的信息交流反馈思想后，横向多维的最优灰狼信息提高了算法收敛速度，而随机多维灰狼信息也增强种群多样性，两者信息通过在空间中横向交流传播有助于避免算法早熟。

灰狼纵向多维混沌寻优：

灰狼纵向混沌寻优是人工灰狼对猎物所处空间纵向向量的多维寻优，为避免寻优越界，人工灰狼在纵向寻优前先做归一化处理，其计算如式(7)所示。

其中，是人工灰狼在空间纵向向量上狩猎移动后的位置，和分别是最优领导者α、β和δ狼在空间纵向向量上的位置，是其方向上随机ω狼的位置。其余参数a、b、r_a和r_b参考式(5)设置。人工灰狼纵向多维混沌寻优是为了避免横向向量个体陷入局部最优时无法跳出，导致整个种群早熟，同时纵向寻优有助于减少横向搜索无法到达的搜索盲点。纵向寻优后，引入贪婪机制，横纵双向寻优的子代相互竞争，择优留下。

灰狼横纵双向多维混沌寻优：

图6展示了人工灰狼在三维空间中横纵双向多维度混沌寻优，一方面个体(在空间搜索寻优中的任意一只人工灰狼)经过所在方向多维度的信息交流，自适应修正狩猎方向，避免算法早熟，另一方面当个体所在方向陷入局部最优时，也可以借助另一方向的搜索摆脱局部最优，同时个体信息通过横纵双向机制在种群快速传播，提高算法的求解精度和效率。

群智能算法-灰狼横纵双向多维混沌寻优算法(CCGWO)优化FCM：

FCM是通过求取所有样本点与聚类中心距离加权和的目标函数极值点而得到聚类中心的迭代公式，其权值是隶属度函数的指数。设网络流量样本集Y＝(y₁,y₂,...y_i,...,y_n)划分为c个类别，y_i为任意维向量，则聚类中心的集合为V＝(v₁,v₂,...,v_c)。各个样本以一定的隶属度u_ij隶属于各个类，u_ij表示第j个样本对第i个聚类中心的隶属度。u_ij满足这个条件：u_ij∈[0,1]，n为网络流量样本数，d_ij为样本x_j与第i个聚类中心v_i之间的距离；m为模糊系数，是一个控制算法柔性的参数，当m过大时，聚类精度较低，反之当m过小，则算法接近传统的均值算法。

CSO-FCM聚类算法采用基于聚类中心的编码方式，也就是每个粒子是由c个聚类中心组成，设样本向量维数是c*d，粒子x的编码结构为：x＝[x₁¹,...,x₁^d,...,x_c¹,...,x_c^d]。迭代过程中的每个粒子的适应度按照式(8)确定。

如果聚类效果越好，则J_m越小，粒子适应度fit就越大。CSO-FCM的终止条件为：满足最大进化代数或J_m小于预先设定阀值的或模糊矩阵不变。其具体的算法流程如下所示：

1对数据样本(网络流量数据)进行归一化处理，设聚类数为c，模糊系数为m，种群大小和控制变量数(人工灰狼种群中的控制变量数)分别为N和D(即维数c*d)(人工灰狼种群在公式计算中是一个N*D的矩阵，种群大小控制矩阵中的横向量维数N，控制变量控制矩阵的纵向量维数D)，最大迭代次数为Maxgen。

2初始化种群，把每一只人工灰狼拆分成c个聚类中心，按照隶属度大小把所有样本指派到不同簇中。

3根据式(8)计算每一只人工灰狼的适应度值。

4根据式(5)和式(7)执行横向和纵向的寻优，并择优保留。

5判断终止条件是否满足。若满足，则迭代终止并将人工灰狼种群中适应度值最好的一组解拆分成c个聚类中心，按照隶属度大小把所有样本指派不同簇中，并输出聚类结果，聚类结果指网络流量样本属于哪种类型的分类结果，否则，转到步骤4中进行新一轮迭代。

网络流量分类方法：

图7展示了本发明方法分类网络流量的流程，包括了网络流量收集、小波包变换预处理流量信息以及CCGWO优化FCM来聚类识别分类网络流量。

请参阅图2，本发明实施例提供的一种基于灰狼算法的网络流量分类装置的一个实施例包括：

分解单元301，用于通过小波包变换对网络流量数据进行多层次和多尺度预处理分解；

分类单元302，用于通过新型群智能算法-灰狼横纵多维混沌寻优算法优化FCM聚类算法模型，通过FCM聚类算法模型对分解后的网络流量数据进行分类。

本实施例中，通过WPD-CCGWO-FCM模型采用小波包变换预处理分解网络流量，多尺度的分析网络流量特征，相对于现有的小波变换分解，具有更高的精确性，WPD-CCGWO-FCM模型采用的CCGWO优化算法具有较好的收敛速度和求解精度，用CCGWO来优化FCM解决了传统FCM采用梯度下降法来调整搜索，导致分类模型收敛速度慢且易陷入局部最优解的问题，同时避免了由于采用的优化算法存在缺陷，进而影响模型性能的情况发生，WPD-CCGWO-FCM的组合模型实现简单，运算高效，解决了传统组合模型内部运算复杂，导致分类效率低的问题。

上面是对一种基于灰狼算法的网络流量分类装置各单元进行的详细的描述，下面将对一种基于灰狼算法的网络流量分类装置各附加单元进行详细的描述，请参阅图3，本发明实施例中提供的一种基于灰狼算法的网络流量分类装置的另一个实施例包括：

接收单元401，用于接收网络流量数据；

分解单元402，用于通过小波包变换对网络流量数据进行多层次和多尺度预处理分解；

所述分解单元402具体包括：

第一分解子单元4021，具体用于通过低通滤波器H和高通滤波器G，通过小波包变换对n个网络流量时间序列信号数据分解为一层低频信号序列组和高频信号序列组；

第二分解子单元4022，具体用于将一层所述低频信号序列组和所述高频信号序列组通过预定的分解函数和重构函数分别分解为下一层的两个低频信号子序列组和两个高频信号子序列组。

分类单元403，用于通过新型群智能算法-灰狼横纵多维混沌寻优算法优化FCM聚类算法模型，通过FCM聚类算法模型对分解后的网络流量数据进行分类；

所述分类单元403具体包括：

接收子单元4031，具体用于接收分解后的n个网络流量时间序列信号数据、网络流量时间序列信号数据的c个聚类构成的聚类集、网络流量时间序列信号数据的第j个网络流量时间序列信号数据x_j对网络流量时间序列信号数据的聚类集的第i个聚类的隶属度u_ij、人工灰狼种群、最大迭代次数Maxgen；

归一化处理子单元4032，具体用于对网络流量时间序列信号数据进行归一化处理；

第一拆分子单元4033，具体用于对人工灰狼种群中的每个人工灰狼粒子进行拆分成c个聚类；

第二拆分子单元4034，具体用于通过第j个网络流量时间序列信号数据对第i个聚类的隶属度u_ij把n个网络流量时间序列信号数据划分到不同的每个人工灰狼粒子的聚类中；

计算子单元4035，具体用于通过预定的适应度公式计算每个人工灰狼粒子的适应度值；

横向寻优子单元4036，具体通过每个人工灰狼粒子对网络流量时间序列信号数据所处空间横向向量通过预定的人工灰狼粒子在空间横向向量的位置迭代公式进行横向迭代寻优；

纵向寻优子单元4037，具体通过每个人工灰狼粒子对网络流量时间序列信号数据所处空间纵向向量通过预定的人工灰狼粒子在纵向向量的位置迭代公式进行纵向迭代寻优；

判断子单元4038，具体用于判断每个人工灰狼粒子是否满足最大的迭代次数Maxgen；

结束子单元4039，具体用于若每个人工灰狼粒子满足最大的迭代次数Maxgen，则寻优结束；

第三拆分子单元4040，具体用于将人工灰狼种群中适应度值最好的一组人工灰狼粒子进行拆分成c个聚类；

第四拆分子单元4041，具体用于通过第j个网络流量时间序列信号数据对第i个聚类的隶属度u_ij把n个网络流量时间序列信号数据分到不同的适应度值最大的一组人工灰狼粒子的聚类中；

输出子单元4042，具体用于输出n个网络流量时间序列信号数据的聚类结果；

迭代子单元4043，具体用于若每个人工灰狼粒子不满足最大的迭代次数Maxgen，则每个人工灰狼粒子继续对网络流量时间序列信号数据所处空间横向向量和纵向向量分别通过预定的人工灰狼粒子在空间横向向量和纵向向量的位置迭代公式分别进行横向迭代寻优和纵向迭代寻优。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。