[12] ROOPCHANDDE,CARMODYRN,KUHNP,etal.Dietarypolyphenolspromotegrowthofthegutbacterium

Akkermansiamuciniphilaandattenuatehigh-fatdiet-induced metabolicsyndrome[J].Diabetes,2015,64(8):

2847-2858.

[13] 张东,邬国栋.沙棘黄酮的化学成分及药理作用研究进展[J].中国药房,2019,30(9):1292-1296.

[14] 陈薇伊,徐兴军,刘佳人,等.山楂叶总黄酮对链脲佐菌素诱导的糖尿病小鼠体内抗氧化酶活性及相关基因表达的影

响[J].天然产物研究与开发,2023,35(8):1314-1321.

[15] 李雪涵,徐兴军,李浩雨,等.榆荚仁黄酮对慢性睡眠剥夺小鼠体内抗氧化酶活性及相关基因表达的影响[J].动物营

养学报,2023,35(5):3323-3332.

[16] 蓝志福.响应面优化超声辅助提取青椒叶多酚工艺及抗氧化研究[J].延边大学农学学报,2023,45(2):51-59.

[17] 张峰,林志勇,刘晓丹,等.花青素对氧化应激小鼠脂代谢和抗氧化能力的影响[J].安徽科技学院学报,2023,37(3):

6-15.

[18] 吴冕,李婷婷,汪梦圆,等.滁菊总黄酮和滁菊多糖配伍体内外抗氧化活性研究[J].安徽科技学院学报,2020,34(2):

51-56.

[19] 韦福忠.超声辅助低共熔溶剂提取诺丽果渣黄酮及抗小鼠运动疲劳研究[J].中国食品添加剂,2023,34(3):105-113.

[20] 朱秀红,武佳佳,李宁,等.表面活性剂协同超声波提取泡桐花总黄酮及其抗氧化活性研究[J].化学与生物工程,

2023,40(4):35-41,47.

[21] 林继辉,陈琳榕,冯庆玲,等.沙棘果总黄酮提取工艺及抗氧化性研究[J/OL].云南民族大学学报(自然科学版):1-10

[2022-12-25].http://kns.cnki.net/kcms/detail/53.1192.N.20221010.0849.002.html.

[22] 田建华,张春媛,魏璐.沙棘果渣总黄酮提取工艺优化及抗氧化活性研究[J].天然产物研究与开发,2021,33(1):

65-72.

[23] 白生文,汤超,田京,等.沙棘果渣总黄酮提取工艺及抗氧化活性分析[J].食品科学,2015,36(10):59-64.

[24] 李东香,关荣发,黄海智,等.3种新疆沙棘黄酮的提取优化及抗氧化活性对比[J].中国食品学报,2023,23(4):

157-167.

[25] MUNHOZV M,LONGHINIR,SOUZAJRP,etal.ExtractionofflavonoidsfromTagetespatula:Processoptimizationandscreeningforbiologicalactivity[J].RevBrasDeFarmacogn,2014,24(5):576-583.

[26] 李萌萌,焦天慧,吕长鑫,等.红树莓籽中黄酮提取工艺及抗氧化活性研究[J].中国食品学报,2017,17(2):101-109.

[27] 罗磊,张冰洁,朱文学,等.响应面试验优化超声辅助提取金银花叶黄酮工艺及其抗氧化活性[J].食品科学,2016,

37(6):13-19.

[28] 俞红恩,刘红开,康玉凡.响应面试验优化豌豆胰蛋白酶抑制剂超声粗提工艺[J].食品科学,2017,38(14):227-232.

[29] 崔小凡,杜椅楠,孙世广,等.虾夷扇贝裙边酶解物美拉德反应产物的自由基清除活性[J].中国食品学报,2022,22

(8):276-284.

[30] PAREJOI,CODINAC,PETRAKISC,etal.EvaluationofscavengingactivityassessedbyCo(II)/EDTA-induced

luminolchemiluminescenceandDPPH (2,2-diphenyl-1-picrylhydrazyl)freeradicalassay[J].JPharmacolToxicol

Methods,2000,44(3):507-512.

[31] 南星梅,顾健.藏药五味沙棘口服液对实验性慢性支气管炎大鼠模型的防治作用研究[J].西南民族大学学报(自然

科学版),2015,41(3):299-304.

[32] 杨诗涵,李紫菡,张金山,等.酶协同微波提取云南沙棘果实总黄酮及其抗氧化活性评价[J].中国食品添加剂,2023,

34(3):19-26.

(责任编辑:顾文亮)

96 安徽科技学院学报 2024年

安徽科技学院学报,2024,38(1):97-103

JournalofAnhuiScienceandTechnologyUniversity

收稿日期:2023-08-06

基金项目:安徽省高校协同创新项目(GXXT-2019-003)。

作者简介:陈敏权(1999-),男,安徽宿州人,硕士研究生,主要从事智能制造装备研究,E-mail:1059968052@qq.com。

通信作者:陈丰,教授,E-mail:chenf@ahstu.edu.cn。

基于 YOLOv5s的母猪基础行为识别

陈敏权, 陈 丰* , 钟金鹏, 刘士静, 孟凡盛

(安徽科技学院 机械工程学院,安徽 凤阳 233100)

摘 要:目的:探究机器视觉技术在母猪行为识别中的应用,以及提高遮挡情况下的识别精度。方法:本研

究基于 YOLOv5s算法,针对母猪的站、坐、躺、爬、趴等5种行为,建立母猪行为识别模型。通过使用图像

处理技术优化训练数据集,识别模型添加CBAM 注意力模块,提高对被遮挡母猪行为的检测精度,最终实

现复杂环境下母猪的行为识别,为判断母猪当前状态提供参考。结果:经过优化与反复训练,模型最终检

测的精度值较高,达到97.58%,召回率为89.69%,单张图片识别时间约为0.047s,精确度比未优化前提

升了1.23%。结论:应用 YOLOv5s可实现母猪的行为识别,且准确率较高,识别时间较短,识别结果与

人工识别结果基本一致,符合猪场实际的养殖要求。

关键词:母猪行为;目标检测;图像处理;算法

中图分类号:TP249 文献标志码:A 文章编号:1673-8772(2024)01-0097-07

开放科学(资源服务)标识码(OSID): DOI:10.19608/j.cnki.1673-8772.2024.0015

SowbehaviorrecognitionbasedonYOLOv5s

CHEN Minquan, CHENFeng

* , ZHONGJinpeng, LIUShijing, MENGFansheng

(CollegeofMechanicalEngineering,AnhuiScienceandTechnologyUniversity,Fengyang233100,China)

Abstract:Objective:Toexploretheapplicationofmachinevisiontechnologyinsowbehaviorrecognition

andimprovetherecognitionaccuracyin occlusionsituations.Methods:Based onthe YOLOv5s

algorithm,asowbehaviorrecognitionmodelwasestablishedforfivebehaviors,whichwerestanding,

sitting,lying,crawlingandlyingonthestomachofsows.Byusingimageprocessingtechnologyto

optimizethetrainingdataset,therecognition modeladdedCBAM attention moduletoimprovethe

detectionaccuracyofthebehavioroftheshieldedsow,andfinallyrealizedthebehaviorrecognitionof

thesowincomplexenvironments,whichprovideedareferenceforjudgingthecurrentstateofthesow.

Results:Afteroptimizationandrepeatedtraining,theaccuracyofthefinaldetectionofthemodelwas

high,reaching97.58%,therecallratewas89.69%,andtherecognitiontimeofasingleimagewas

about0.047s,which was1.23% higherthanbeforeoptimization.Conclusion:Theapplicationof

YOLOv5scouldrealizethebehaviorrecognition ofsows,andtheaccuracyrate washigh,the

recognitiontimewasshort,andtheidentificationresultswerebasicallyconsistentwiththemanual

identificationresults,whichmettheactualbreedingrequirementsofpigfarms.

Keywords:Sowbehavior;Objectdetection;Imageprocessing;Algorithm

在猪场日常管理中,母猪养殖要求高难度大。目前猪场管理主要使用的是人工管理方式,人力资源耗

费大,而且母猪对环境的感知敏感,长时间与人接触所产生的应激反应以及与人接触而导致的疾病传播都

会给猪场带来巨大的经济损失[1],因此国内外众多学者致力研究智能化技术在母猪养殖业中的应用,希望

找到智能化养殖的方法。目前研究最多的是通过滑道或者巡检机器人[2]搭载摄像头对猪只进行拍照识

别,根据识别结果调整饲喂结构,并对突发状况进行及时处理[3]。

机器视觉技术[4]是实现智能化养殖的一项重要技术,具有无接触、可持续、成本低等优势,在实现智能

化养殖过程中起到举足轻重的作用。机器视觉技术主要应用于母猪的姿态识别[5],主要是对母猪的一些

特殊行为进行识别[6]。

早期的视觉识别主要是对图像的分割以及目标的提取[7],通过经验高低阈值[8]、灰度差异[9]、直方图

均衡化等对静态单帧猪只目标进行提取[10],通过背景减去法以及二值化处理对动态多帧猪只目标进行

提取[11]。

目前,有不少研究人员将机器视觉应用于母猪行为识别[12],庄晏榕等[13]基于 AlexNet卷积神经网络

通过识别猪发情时耳朵竖起动作判断母猪是否发情;Yang等[14]提出一种基于时空特征的母猪爬跨行为

识别来检测猪是否发情;刘龙申等[15]利用EfficientDet网络对产床内母猪图像进行深层次特征提取,通过

母猪产前产后行为变化预测母猪分娩时间。

除行为识别以外,猪只个体识别[16]和体尺测量[17]也备受研究人员青睐,为猪的保种工作奠定基

础[18]。李广博等[19]采用改进后的 YOLOv5s模型识别猪脸,通过添加注意力机制提高模型特征提取的能

力,用来识别猪脸,判断个体身份。耿艳利等[20]提出基于点云语义分割的猪只体尺测量方法基于

Pointnet网络,结合注意力模块构建语义分割模型,针对不同分割部位设计猪只体尺测量方法。左若雨

等[21]采用 YOLOv4对猪耳部进行识别,为识别猪只病变提供依据。

综上,基于机器视觉的母猪行为识别虽然可以识别出单猪的行为,但是因为猪是一种群居动物,遮挡

现象严重,所以本研究在 YOLOv5s的基础上进行改进,旨在实现对复杂环境下猪基础行为(如站、趴、爬

等行为)的识别,从而根据识别母猪基础动作判断母猪状态,实现智能化养殖。

1 材料与方法

1.1 数据采集

本研究数据来源于网络图片以及养殖场视频。养殖场视频由手持摄像机采集,试验图片集包含母猪的

站、坐、躺、趴、爬等5种动作,并通过更换图片背景以及更改图片亮度、饱和度和色差来减少灯光、背景环境

等因素对训练结果的影响,效果如图1所示。通过筛选去除质量较差的图片后形成图片集为1000张。

图1 图像预处理

Fig.1 Imagepreprocessing

1.2 数据集制作

对上述图片集使用Labelimg标注工具进行人工标定,目标标签为stand、lie、sit、climd、crawl,生成格

式为txt的标签文件。通过pycharm使用分类函数对标签文件进行均分,形成训练集、验证集、测试集为

7∶2∶1。

98 安徽科技学院学报 2024年

1.3 YOLOv5s模型

YOLOv5有4种模型,分别为 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x,通过使用自制数据集对

这4种模型进行训练对比,结果如表1所示,其中 YOLOv5s模型小,检测速度快且准确率相对较高,所以

本研究选择使用 YOLOv5s模型。

表1 YOLOv5不同模型的训练结果

Table1 AnalysisofexperimentalresultsofdifferentmodelsofYOLOv5

模型 准确率/% 召回率/% AP/% 参数量 单张图像识别时间/s

YOLOv5s 97.61 89.46 89.47 7.2 0.095

YOLOv5m 95.88 89.81 89.96 21.2 0.141

YOLOv5l 96.68 88.84 89.88 46.5 0.137

YOLOv5x 96.29 89.37 89.41 86.7 0.136

YOLOv5s模型由输入端、基准网络、Neck网络、预测输出组成,网络结构如图2所示。

图2 YOLOv5s网络结构图

Fig.2 YOLOv5snetworkstructure

1.3.1 输入端 主要包括 mosaic数据增强,通过对图像的随机缩放、裁剪、排布,从而提高对目标的检测

与识别效果。

1.3.2 基准网络 主要包括Focus结构与 CSP结构。Focus结构包含4个切片与一个卷积,将608×

608×3的图像转化为304×304×12的特征图;CSP结构通过将浅层特征图一分为二,一部分直接向后传

播,另一部分跨层与特征提取模块融合,从而得到更丰富的特征图。

1.3.3 Neck网络 主要包括PAN和FPN结构,YOLOv5通过这两种结构分别进行自顶而下和自下而

上的聚合,并将特征进行融合,通过将不同尺度的特征图进行融合以提高检测性能。

1.3.4 预测输出 在 YOLOv5原网络中预测输出层主要包括一个损失函数 GIOU_Loss和一个非极大

值抑制nms函数,YOLOv5通过预测框与实际框的面积比为判定依据进行计算,几何关系如图3所示。

图3 预测框与输出框几何关系

Fig.3 Geometricrelationshipbetweenpredictionboxandoutputbox

选取取预测框上两点 A(x1,y1)、C(x3,y3)以及实际框上两点B(x2,y2)、D(x4,y4),两框的相交面

积为S1,并集面积为S2,所以两框交并集面积如式(1)~(2)所示:

第38卷第1期 陈敏权,等:基于 YOLOv5s的母猪基础行为识别 99

S1 =(min(x3,x4)-max(x1,x2))×(min(y3,y4)-max(y2,y1)) (1)

S2 =(x3 -x1)×(y3 -y1)+(x4 -x2)×(y4 -y2)-S1 (2)

从而得到交并比IoU为

IOU=

S1

S2

(3)

但是常用的IoU 评价标准不适用于评价矩形框没有重合的情况,故引入两框中心距l以及对角线距

离ρ,最后加上框的长宽等信息,最终损失函数如式(4)所示:

lossDIoU =1-(IoUl2

ρ

2)+αν (4)

其中,

ν=

4

π2 arctan

wgt

hgt -arctan

w h

2

(5)

α=

ν

(1-IoU)+ν

(6)

经过损失函数计算,检测出来可能有多个检测框,YOLOv5使用非极大值抑制(NMS)删除多余检测

框,保留最佳检测框。

1.4 CBAM 注意力模块

CBAM(ConvolutionalBlockAttentionModule)注意力模块用于增强卷积神经网络感知能力,CBAM

注意力模块由2个子模块组成:通道注意力模块 CAM(ChannelAttentionModule)和空间注意力模块

SAM(SpatialAttentionModule),结构图如图4所示。

图4 CBAM 注意力模块结构图

Fig.4 StructurediagramofCBAMattentionmodule

CAM 通过在每个通道上学习通道权重来对输入特征图进行加权,以强调重要的特征通道。它利用

全局平均池化和全连接层来学习通道权重,然后将这些权重应用到输入特征图上,使得网络能够自动学习

并关注对当前任务最有用的通道。

SAM 则通过在每个空间位置上学习空间权重来对输入特征图进行加权,以提取空间上的重要特征。

它利用最大池化和全连接层来学习空间权重,然后将这些权重应用到输入特征图上,从而增强感受野内不

同位置的特征表示能力。

CBAM 模块将通道注意力和空间注意力结合在一起,通过同时关注通道和空间信息,可以提升对复

杂特征的感知和区分能力,通过在卷积中添加CBAM 模块,提高模型对母猪的注意力,提高通道权重,进

而提升模型在母猪相互遮挡背景下的检测性能,引入CBAM 注意力模块后的结果如图5所示。

图5 引入CBAM 注意力模块

Fig.5 CBAMattentionmoduleisintroduced

100 安徽科技学院学报 2024年

1.5 试验方法

本研究使用一种改进的母猪行为识别方法。首先构建多背景的母猪多种行为数据集,通过添加

CBAM 注意力机制,提高模型的检测精度和检测速度,识别框架如图6所示。

图6 母猪行为识别框架

Fig.6 Sowbehaviorrecognitionframework

2 结果与分析

2.1 试验环境

本试验采用pycharm搭建框架,操作平台为64位 Windows10,显卡为NVDIAGeFORCEGTX1650

显卡,数据集为多背景的母猪多种行为,数据集一组未添加注意力机制的 YOLOv5s模型以及一组添加注

意力机制的 YOLOv5s模型,训练轮数设置为400轮。本研究其他训练参数如表2所示。

表2 训练参数设置

Table2 Trainingparametersettings

参数 数值

模型深度 0.3500

模型宽度 0.5500

学习率 0.0100

学习率动量 0.9370

损失系数 0.0500

权重衰减系数 0.0005

2.2 评价指标

本研究采用Precision、Recall、mAP作为衡量算法性能的指标,公式如式(7)~(10)所示:

Precision=

TP

TP+FP

(7)

Recall=

TP

TP+FN

(8)

其中,TP为母猪动作预测准确的数量;FN是预测正样本预测为假的数量;FP是负样本预测为真的数量。

AP=∑

n-1

i=1

(ri+1 -ri)Precision(r1 +1) (9)

mAP=

∑

k

i-1APi

k

(10)

其中,AP为精确率和召回率曲线围成的面积;mAP为 AP的平均值。

2.3 模型分析

经过 YOLOv5s算法模型的训练,最终训练后的对比结果如表3所示,训练过程中的准确率、召回率、

MAP值变化曲线如图7所示。遮挡问题是造成母猪行为识别精度低的主要原因之一。当母猪相互遮挡

时,母猪目标轮廓缺失,特征提取困难,图7(a)为原始数据集训练出的结果,图7(b)为添加了CBAM 注意

力模块后训练出的结果图。

表3 2种模型的训练结果对比表

Table3 Comparisontableoftrainingresultsofthetwomodels

模型 精确率/% 召回率/% AP/% mAP/%

YOLOv5s 96.35 89.65 88.91 74.45

YOLOv5s+CBAM 97.58 89.69 88.98 74.92

第38卷第1期 陈敏权,等:基于 YOLOv5s的母猪基础行为识别 101

由图7(a)可以看出,原始数据集训练出的结果图波动大,在 YOLOv5s模型中添加CBAM 注意力模

块,提高对遮挡母猪的检测效果,模型准确率等都有了提升,最终的训练结果如图7(b)所示。

从图7(b)可以看出,优化后的数据集在前50轮训练中,模型的Precision、Recll和 mAP值上升较快,

在300轮时已经达到比较高的精度,最终检测的精度值较高,达到97.58%,召回率为89.69%。

图7 2种模型的训练过程对比图

Fig.7 Comparisonchartofthetrainingprocessofthetwomodels

实际检测结果如图8所示,针对部分遮挡的情况,图中所示预测框的置信度较高,可以作为母猪状态

的判定依据。

图8 母猪相互遮挡情况下的实际检测结果

Fig.8 Actualtestresultswithsowsshieldingeachother

3 结论与讨论

本研究为实现母猪智能化养殖,对母猪行为进行识别,针对母猪行为检测,建立了一种基于

YOLOv5s的检测模型,避免了人猪接触产生的应激反应,有效提高了检测效率,减少人工成本,降低工人

工作强度,通过引入CBAM 注意力机制,使训练模型基本可以识别遮挡情况下猪的不同行为,且置信度相

对较高,训练精度提升了1.23%。在今后的研究中可以针对母猪动作变化以及各种行为持续时间判断母

猪状态,从而实现智能化养殖。

参考文献:

[1] 张金玲.母猪饲养管理技术要点[J].中国畜禽种业,2021,17(5):142-143.

[2] 杨芸.计算机视觉系统应用于猪生产养殖过程[J].科技资讯,2013,11(25):14-15.

[3] 刘奎,檀志远,陈丰.IMU辅助下猪场巡检机器人路径规划研究[J].安徽科技学院学报,2020,34(4):68-73.

102 安徽科技学院学报 2024年

[4] 王鲁,刘晴,曹月,等.基于改进 CascadeMaskR-CNN与协同注意力机制的群猪姿态识别[J].农业工程学报,2023,

39(4):144-153.

[5] 龙沈飞,贺腾飞,张校军,等.猪的智能化饲养管理和环境控制研究进展[J].中国畜牧杂志,2023,59(5):34-39.

[6] 字吉湖,谭利辉,赵永聚,等.机器视觉在猪行为识别中的应用进展[J].现代畜牧科技,2022(11):26-28.

[7] 靳敏,杨博文,王春光.特征提取和特征降维在猪只行为分类识别中的应用[J].黑龙江畜牧兽医,2022(23):

53-59,134.

[8] LAOF,BROWN-BRANDLT,STINNJP,etal.Automaticrecognitionoflactatingsowbehaviorsthroughdepth

imageprocessing[J].ComputElectronAgric,2016,125(C):56-62.

[9] GUOYZ,ZHU W X,JIAOPP,etal.Multi-objectextractionfromtopviewgroup-housedpigimagesbasedon

adaptivepartitioningandmultilevelthresholdingsegmentation[J].BiosystEng,2015,135:54-60.

[10] CHENC,ZHU W X,MAC H,etal.Imagemotionfeatureextractionforrecognitionofaggressivebehaviors

amonggroup-housedpigs[J].ComputElectronAgric,2017,142:380-387.

[11] NASIRAHMADIA,HENSELO,EDWARDSSA,etal.Automaticdetectionofmountingbehavioursamongpigs

usingimageanalysis[J].ComputElectronAgric,2016,124(C):295-302.

[12] 滕光辉,冀横溢,庄晏榕,等.深度学习在猪只饲养过程的应用研究进展[J].农业工程学报,2022,38(14):235-249.

[13] 庄晏榕,余炅桦,滕光辉,等.基于卷积神经网络的大白母猪发情行为识别方法研究[J].农业机械学报,2020,

51(Z1):364-370.

[14] YANGQ M,XIAODQ,CAIJH.Pigmountingbehaviourrecognitionbasedonvideospatial-temporalfeatures[J].

BiosystEng,2021,206:55-66.

[15] 刘龙申,舒翠霓,李波,等.基于EfficientDet的围产期母猪姿态识别[J].农业机械学报,2022,53(4):271-279.

[16] 李卓,毛涛涛,刘同海,等.基于机器视觉的猪体质量估测模型比较与优化[J].农业工程学报,2015,31(2):155-161.

[17] 宁远霖,杨颖,李振波,等.基于改进 YOLOv5的复杂跨域场景下的猪个体识别与计数[J].农业工程学报,2022,

38(17):168-175.

[18] 王治华,庞训胜,柴亮,等.皖北猪仔猪体重和体尺参数相关性研究[J].安徽科技学院学报,2014,28(3):7-9.

[19] 李广博,查文文,陈成鹏,等.基于改进 YOLOv5s的猪脸识别检测方法[J].西南农业学报,2023,36(6):1346-1356.

[20] 耿艳利,季燕凯,岳晓东,等.基于点云语义分割的猪只体尺测量方法研究[J].农业机械学报,2023,54(7):332-338,380.

[21] 左若雨,陈丰,陈蒙,等.基于 YOLOv4的猪耳检测方法研究[J].安徽科技学院学报,2022,36(4):60-65.

(责任编辑:顾文亮)

第38卷第1期 陈敏权,等:基于 YOLOv5s的母猪基础行为识别 103

安徽科技学院学报,2024,38(1):104-110

JournalofAnhuiScienceandTechnologyUniversity

收稿日期:2023-02-20

基金项目:滁州市科技计划项目(2022ZN014);安徽省高校自然科学研究项目(2022AH040238)。

作者简介:王一鸣(1995-),男,安徽蚌埠人,硕士,助教,主要从事机械产品结构设计研究,E-mail:2991683008@qq.com。

基于 AnsysWorkbench的手动火灾报警按钮

仿真分析和结构优化

王一鸣1, 乔印虎1, 袁枝亭1, 魏广智1, 贾 茹2

(1.安徽科技学院 机械工程学院,安徽 凤阳 233100;2.安徽水利开发有限公司,安徽 蚌埠 233000)

摘 要:目的:针对一款依靠压杆自身形变自锁和工作的手动火灾报警按钮的结构特点,为使其满足国标

不动作试验要求,并改善应力分布情况,对手动火灾报警按钮中关键零部件进行有限元分析和优化设计。

方法:通过Creo建立压杆、压板以及底板的装配模型,模拟实验的过程对模型进行约束和载荷的施加,使

用 AnsysWorkbench完成静力学有限元分析,计算出手动火灾报警按钮应力最大值,确定多目标优化设

计中目标、变量参数和约束进行,分析出各参数变量对于结果的灵敏度,使用 Optimization模块并利用

Sceening筛选优化法对关键零部件进行优化设计,在满足国标要求的同时,选取拟合的最优值对压杆进行

结构优化。结果:优化后的手动火灾报警按钮压杆受到的最大应力减小19.6%。结论:使用 Ansys

Workbench软件对零部件进行仿真和优化分析后,提高了产品的强度和研发效率,该研究成果也为后续

手动火灾报警按钮压杆设计提供了理论依据。

关键词:手动火灾报警按钮;有限元分析;结构优化

中图分类号:TH136 文献标志码:A 文章编号:1673-8772(2024)01-0104-07

开放科学(资源服务)标识码(OSID): DOI:10.19608/j.cnki.1673-8772.2024.0016

Simulationanalysisandstructuraloptimizationofmanual

firealarmbuttonsbasedonAnsysWorkbench

WANGYiming

1, QIAOYinhu1, YUANZhiting

1, WEIGuangzhi1, JIARu2

(1.CollegeofMechanicalEngineering,AnhuiScienceandTechnologyUniversity,Fengyang233100,China;

2.AnhuiWaterResourcesDevelopmentCo.,Ltd.,Bengbu233000,China)

Abstract:Objective:Consideringtothestructuralcharacteristicsofamanualfirealarmbuttonthatrelies

ontheselfdeformationandself-lockingofthepressurebar,inordertomeettherequirementsofthe

nationalstandardnonactionexperimentandimprovethestressdistribution,finiteelementanalysisand

optimizationdesignwerecarriedoutonthekeycomponentsofthemanualfirealarmbutton.Methods:

Theassemblymodelofpressurebar,pressingplateandbottomplatewasestablishedthroughCreo,and

themodelwasconstrainedandloadedduringthesimulationexperiment.TheStaticsfiniteelement

analysiswascompletedusingAnsysWorkbench,andthemaximumstressvalueofmanualfirealarm

button was calculated. The objectives,variable parameters and constraints in multi-objective

optimizationdesignweredetermined,andthesensitivityofeachparametervariabletotheresultswas

analyzed,byusingtheoptimizationmoduleandtheScanningscreeningoptimizationmethodtooptimize

thedesignofkeycomponents.Whilemeetingtherequirementsofnationalstandards,theoptimalfitting

valuetooptimizethestructureofthepressurebarwasselected.Results:Themaximumstressonthe

pressurerodoftheoptimizedmanualfirealarmbuttondecreasedby19.6%.Conclusion:Afterusing

Ansys Workbenchsoftwaretosimulateandoptimizethecomponents,thestrengthandresearch

efficiencyoftheproducthavebeengreatlyimproved.Thisresearchresultalsoprovidedatheoretical

basisforthesubsequentdesignofmanualfirealarmbuttonpressurerods.

Keywords:Manualalarmbutton;Finiteelementanalysis;Structuraloptimization

手动火灾报警按钮是火灾报警系统中的重要一环,当人员发现火情时,手动按下火灾报警按钮设备上

醒目的白色压板,如图1所示。按下压板后内部的报警电路完成闭合,便可以完成火警的快速上报[1]。由

于手动火灾报警按钮需要人工手动按压实现报警,相比火灾探测报警器的自动报警,误报警的概率相对较

低,一般设置放在过道较为显眼的位置,便于出现火情使用[2]。但倘若有人误触或是小朋友因为好奇心按

下压板,便会出现误报火警的情况,造成人力物力的浪费,除了严格规定手动火灾报警按钮的安装高度以

外(防止儿童误触),GB19880—2005《手动火灾报警按钮》还规定了具体不动作试验要求。该试验可以测

试手动火灾报警按钮对于较小按压力,即误触的抵御能力[3]。

图1 手动报警按钮外观

Fig.1 Appearanceofmanualalarmbutton

本研究通过建立手动火灾报警按钮三类核心零部件:压杆、压板以及底板的装配模型,模拟不动作试

验的过程对模型进行约束和载荷的施加,在 AnsysWorkbench中完成静力学有限元分析,计算出手动火

灾报警按钮应力最大值,利用Sceening筛选优化法对关键零部件进行优化设计。

1 手动火灾报警按钮的基本参数

1.1 手动火灾报警按钮的结构设计

随着火灾报警系统的迅速发展,对于手动火灾报警按钮结构的合理性要求越来越高,按下手动火灾报

警按钮设备的压板后,压杆会形成自锁,使用配合的钥匙才能解锁。传统手动火灾报警按钮的压板和压杆

使用弹簧连接,利用弹簧的弹性形变达到自锁的效果,但实际生产和使用中,弹簧安装困难且存在运输安

装过程中掉落的情况。本研究中手动火灾报警按钮采用全新设计,零部件结构如图2所示,该设计方案使

用压杆的自身材料弹性形变实现自锁和工作,减少了弹簧这一零件,从而简化生产和装配过程。压杆、压

板以及底板装配后的三维模型如图3所示。

第38卷第2期 王一鸣,等:基于AnsysWorkbench的手动火灾报警按钮仿真分析和结构优化 105

图2 手动报警按钮零部件结构示意图

Fig.2 Schematicdiagramofthestructureofmanualalarmbuttonparts

注:1为上壳体;2为钥匙;3为压杆;4为压板;5为底板;6为下壳体;7为端子架;8为底座。

图3 压杆、压板和底板装配示意图

Fig.3 Assemblydiagramofpressurerod,pressureplateandbottomplate

1.2 模型导入及材料选择

建模完成的核心零部件装配体三维模型保存为.stp文件后,使用 AnsysWorkbench中的 Static

Structural进行模型的导入。手动火灾报警按钮选用材料为 ABSD-2400塑料,是一种丙烯腈丁二烯苯乙

烯(ABS)改进产品。ABS工程塑料具有良好的综合力学性能,ABSD-2400作为 ABS的改性材料,具有

较高的耐热性,在89℃才会发生热变形[4]。

1.3 单元类型及网格划分

AnsysWorkbench中提供 AnsysMeshing应用程序(网格划分平台)的目标是提供通用的网格划分

工具。网格划分的目的是对结构模型实现离散化,把求解域分解成可得到精确解的适当数量的单元[5]。

本研究采用自动划分法对该模型进行网格的划分[6],共生成389723个节点,生成245500个单元,网格平

均质量为0.83,大于正常分析所需的0.7,可较好地用于有限元仿真分析[7]。

1.4 载荷的施加

装配体载荷的加载主要模拟GB19880—2005《手动火灾报警按钮》中规定的不动作试验。压杆右端

三角块首先向下移动4mm的位移,进入底板右侧设置的限位框中,进入手动火灾报警按钮正常工作状

态,然后依照不动作试验的要求对压板中心施加相应的力[8]。模拟装配体的载荷加载顺序,0~10s内不

施加载荷,10~20s内以2.5N/s的速率向手动火灾报警按钮压板中心位置施加垂直于压板方向的力F,

当F达到25N(国标规定上限)后,在20~25s期间内保持5s,然后以2.5N/s的速率释放,在第35秒完

成静力学分析[9]。在压板施加载荷的同时,压杆会受到来自压板接触面的一个随时间变化的力F,力F

在斜面上会分解为向下的压力f1 和向内的推力f2,压杆受力分析如图4所示,当F=25N时,压杆会受

到最大应力P 和最大位移D。

图4 压杆受力分析

Fig.4 Forceanalysisofcompressionbar

106 安徽科技学院学报 2024年

1.5 仿真分析结果

对手动火灾报警按钮装配体整体进行应力分析,显示最大应力处出现在压杆处,其余零部件受应力较

小。对压杆做单独分析,分析结果如图5所示,应力最大处在压杆中部受压位置,符合实际工作使用情况,

最大工作应力为45.67MPa,小于 ABSD-2400塑料的屈服强度63MPa,不会发生塑性形变,但是存在应

力集中,在反复形变下存在疲劳失效的风险,最小安全系数为1.37,存在一定安全隐患[10]。

图5 压杆应力云图

Fig.5 Compressionbarstresscloud

2 多目标优化设计分析

2.1 设计变量

在优化设计中同时要求2项或2项以上设计指标达到最优值的问题,称为多目标优化设计问题[7]。

由于压板与底板受应力较小,无需改变结构,需要对压杆的基本尺寸进行优化调整。首先对压杆模型进行

简化,将压杆的一些倒角或圆角结构删除,这些结构对于整体的刚度影响可忽略不计,保留关键尺寸用于

优化分析[11]。本研究选取影响压杆应力的3个主要尺寸作为设计参数,分别为压杆长度l、压杆厚度t、压

杆与压板接触面的导向角度θ,如图6所示,均为连续型变量参数。

图6 压杆参数示意图

Fig.6 Schematicdiagramofpressurebarparameters

根据有限元分析,求解出压杆的最大应力P 和最大位移D,手动火灾报警按钮可以正常工作时,最大

位移4.0mm≤D≤4.5mm,同时将最大应力P 最小化。得到压杆的优化数学模型如下:

X =[x1,x2,x3]=[d,s,r]

P ≤ [σ]=63MPa

63mm≤l≤68mm

4.5mm≤t≤5.5mm

20°≤θ≤40°

4.0mm≤D ≤4.5mm

?

?

?

????

????

2.2 优化设计方案

本研究优化条件为1个目标、3个变量、5个约束(包括参数的约束)。使用DesignofExperiments模

块对手动火灾报警按钮压杆进行优化设计,设置压杆整体长度l、压杆厚度t、压杆与压板接触面的导向角

度θ等3个连续变量参数的范围,得到15组设计点[12],并计算出压杆受到的最大应力,如表1所示。

第38卷第2期 王一鸣,等:基于AnsysWorkbench的手动火灾报警按钮仿真分析和结构优化 107

表1 设计点优化值

Table1 Optimalvalueofdesignpoint

设计点 压杆长度l/mm 压杆厚度t/mm 导向角度θ/(°) 压杆最大应力/MPa

1 65.50 5.00 30.00 44.59

2 65.50 4.50 30.00 37.59

3 65.50 5.50 30.00 51.05

4 63.00 5.00 30.00 48.05

5 68.00 5.00 30.00 41.67

6 65.50 5.00 25.00 43.95

7 65.50 5.00 35.00 48.50

8 63.47 4.59 25.93 41.41

9 63.47 5.41 25.93 53.30

10 67.53 4.59 25.93 36.68

11 67.53 5.41 25.93 47.22

12 63.47 4.59 34.07 47.71

13 63.47 5.41 34.07 55.81

14 67.53 4.59 34.07 42.48

15 67.53 5.41 34.07 49.74

2.3 参数灵敏度及响应面分析

通过生成的变量参数灵敏度柱状图,分析变量参数对手动火灾报警按钮压杆最大应力的影响情

况[13],如图7所示,压杆厚度t(P2)对手动火灾报警按钮最大应力的影响程度最大,而导向角度θ(P3)和

压杆长度l(P1)的影响较小。其中压杆厚度t(P2)和导向角度θ(P3)的影响为正向,压杆长度l(P1)影响

为反向。

图7 灵敏度柱状图

Fig.7 Sensitivityhistogram

取压杆厚度t、压杆长度l、导向角度θ等3个参数的其中2个设计变量作为输入参数的X轴和Y轴,

得出手动火灾报警按钮压杆最大应力的响应面模型,如图8所示,进而得出压杆厚度t、压杆长度l、导向

角度θ等3个参数对整体应力的影响程度。

2.4 优化分析

在拟合出响应曲面之后,使用 Optimization模块进行参数优化[14]。使用Screening筛选优化方法对

上述连续变量参数进行优选,可以用于提高压杆结构优化结果精确度[15]。Screening算法即筛选算法是

基于采样和排序的简单方法,所以样本数量决定了其准确度,样本数量越多,精度越高[16]。本研究设置样本

数为1000,设置求解结果取压杆受应力最小,计算求解出3个最佳设计点[17],优化过程如图9所示,求解出

最佳设计方案。3个最佳设计候选点如表2所示,得出的压杆最大应力分别为34.91、35.65、36.45MPa,均

远小于初始设计的最大应力值。

108 安徽科技学院学报 2024年

图8 P1-P2-P3 最大应力响应面模型

Fig.8 P1-P2-P3 maximumstressresponsesurfacemodel

图9 优化过程

Fig.9 Optimizationprocess

表2 设计优化候选点

Table2 Designoptimizationcandidatepoints

设计点 压杆长度l/mm 压杆厚度t/mm 导向角度θ/(°) 压杆最大应力/MPa

X1 68.00 4.50 25.00 34.91

X2 67.69 4.51 27.59 35.65

X3 67.80 4.61 26.28 35.45

取设计点X1,压杆长度为68.00mm,压杆厚度为4.50mm,导向角度为25°,经过模型还原,把仿真

前简化圆角、倒角等重新添加在模型上,如图10所示,压杆最大应力为36.85MPa。安全系数为1.7。比

较优化前后的结果,优化后的手动火灾报警按钮压杆受到的最大应力减小19.6%。

图10 压杆应力云图

Fig.10 Compressionbarstresscloud

第38卷第2期 王一鸣,等:基于AnsysWorkbench的手动火灾报警按钮仿真分析和结构优化 109

3 结论与讨论

本研究在一款现有依靠压杆的自身材料弹性形变实现自锁和工作手动火灾报警按钮基础上,针对其

压杆受到最大应力过大、安全系数过小的问题,对该手动火灾报警按钮压杆进行多目标优化设计,完成现

有手动火灾报警按钮三维建模,模拟GB19880—2005《手动火灾报警按钮》的不动作试验过程,使用 ANSYSWorkbench软件建立装配体进行有限元模型,通过接触分析,该手动火灾报警按钮压杆最大应力为

45.67MPa,接近材料的屈服强度,存在接触失效风险,因此对压杆进行结构尺寸优化。通过对手动火灾

报警按钮压杆进行多目标优化设计,得出各目标函数随设计变量变化的灵敏度柱状图和响应面模型。确

定各参数(压杆厚度、压杆长度、导向角度)对最大应力的影响程度,最后使用Screening算法分析出最佳

候选设计点。通过对比优化前后的有限元分析结果发现,优化后的手动火灾报警按钮压杆受到的最大应

力减小19.6%,安全系数和可靠性得到了一定的提升。通过该仿真优化后的参数完成了零部件的模具制

造,经过试验检测该手动报警按钮完全满足使用需求,并且通过沈阳消防研究所检测认证。该研究为后续

的手动火灾报警按钮结构设计提供了理论依据。

参考文献:

[1] 汪锋泳.货船手动报警按钮的布置和安装[J].船舶标准化工程师,2015,48(2):56-59.

[2] 王晔.手动报警按钮与人性化的火灾探测[J].消防技术与产品信息,2013(4):95-97.

[3] 张俊东,石险峰,杨姜,等.一种依靠自身材料变形自锁的手动报警按钮:CN213519679U[P].2021-06-22.

[4] 吴华杰,陈文刚,周晓菲,等.3D打印 ABS材料表面长方形织构的摩擦学性能[J].工程塑料应用,2022,50(11):

117-126,145.

[5] 袁越锦,徐英英,张艳华.ANSYSWorkbench14.0建模仿真技术及实例详解[M].北京:化学工业出版社,2014.

[6] 杨明,陈涛,廖敦明,等.基于尖锐边界等值面填充算法的型壳有限元网格自动划分[J].铸造,2016,65(11):

1071-1074.

[7] 叶俊,汪永明,吴纯君.基于虚拟样机技术的过山车轮架有限元分析[J].安徽工业大学学报(自然科学版),2016,

33(3):256-260.

[8] 王艳秋,裴春梅.多元化火灾自动探测报警系统的研究[J].电子测量技术,2019,42(4):42-46.

[9] 周任伟,李琴,李欣欣,等.基于 Workbench的斜拉门式启闭机门架结构动力学分析[J].机械制造与自动化,2022,

51(5):103-106.

[10] 周党兰,徐孟诚,谈扬,等.基于 Workbench的机械压力机上横梁有限元分析及优化[J].锻压装备与制造技术,2023,

58(1):21-24.

[11] 朱淼,侯莹莹.基于 ANSYSWorkbench的制动器模态特性仿真与优化[J].机电工程技术,2022,51(9):181-184.

[12] 何翔.基于 ANSYSWorkbench的悬臂支架拓扑优化[J].机械工程与自动化,2022(6):65-67.

[13] 刘明亮,朱海清,李超.基于 ANSYSWorkbench的安全阀自动上料机械手抓取机构优化设计[J].现代制造工程,

2019(12):140-144.

[14] 肖文,霍柱东,孙望.基于 AnsysWorkbench的高速连接器端子结构优化设计[J].机电工程技术,2020,49(7):

244-245,259.

[15] 汲方林,王有杰,陈万胜,等.基于SolidWorksSimulation对高压容器外形结构尺寸的优化分析[J].机械,2009,

36(8):33-36.

[16] 李永华,梁校嘉,周峰,等.基于优化设计的门式卸车机结构可靠性分析[J].中国工程机械学报,2017,15(3):

261-266,272.

[17] 洪岩,乔印虎.中型栓接拼装板沼气反应器设计及壁板优化[J].安徽科技学院学报,2020,34(6):76-82.

(责任编辑:顾文亮)

110 安徽科技学院学报 2024年

安徽科技学院学报,2024,38(1):111-116

JournalofAnhuiScienceandTechnologyUniversity

收稿日期:2023-09-01

基金项目:安徽省高校自然科学研究项目(2022AH052847)。

作者简介:沈德松(1983-),男,安徽凤阳人,硕士,讲师,主要从事计算机技术研究,E-mail:346118979@qq.com。

基于机器学习的网络异常流量检测

沈徳松

(安徽文达信息工程学院,安徽 合肥 231201)

摘 要:目的:探索基于 XGBoost算法的网络异常流量检测方法,并评估其分类准确率。方法:根据

XGBoost算法和主成分分析的技术原理,梳理了网络异常流量的类型、具体表现和异常流量的成因。采

用136.4万条网络流量样本作为实验数据集,包括77个网络流量特征和8种网络流量类型。进一步构建

XGBoost分类模型,采用多个分类器,实现对网络异常流量的有效检测和识别。结果:XGBoost算法对网

络异常流量的检测准确率达到了96.32%。结论:XGBoost算法在网络异常流量检测方面具有出色的性

能和可靠性,能够有效为网络管理员提供有效的辅助决策和保护措施。

关键词:机器学习;XGBoost算法;主成分分析;网络异常流量

中图分类号:TP3-05 文献标志码:A 文章编号:1673-8772(2024)01-0111-06

开放科学(资源服务)标识码(OSID): DOI:10.19608/j.cnki.1673-8772.2024.0017

Networkabnormaltrafficdetectionbasedonmachinelearning

SHENDesong

(AnhuiWendaUniversityofInformationEngineering,Hefei231201,China)

Abstract:Objective:ToexplorethemethodofnetworkabnormaltrafficdetectionbasedonXGBoost

algorithmandtoevaluateitsclassificationaccuracy.Methods:Firstly,theXGBoostalgorithmandthe

principleofprincipalcomponentanalysiswereintroduced,andthetypes,specificperformanceand

causesofabnormaltrafficwereanalyzed.Then,1364000networktrafficsampleswereusedasthe

experimentaldataset,including77networktrafficcharacteristicsand8typesofnetworktraffic.

Furthermore,theclassificationmodelofXGBoostwasbuilttodetectandidentifytheabnormaltraffic

effectively.Results:ExperimentalresultsshowedthatthedetectionaccuracyofXGBoostalgorithmfor

networkabnormaltrafficwas96.32%.Conclusion:TheXGBoostalgorithmhadexcellentperformance

andreliabilityinnetworkabnormaltrafficdetection,andcouldprovideeffectiveassistantdecisionmakingandprotectionmeasuresforNetworkadministrators.

Keywords:Machinelearning;XGBoostalgorithm;Principalcomponentanalysis;Networkabnormaltraffic

随着互联网的快速发展和普及,网络安全问题日益突出。网络异常流量是指在网络通信中出现的与

正常通信模式不符的数据流,可能是由于网络攻击、硬件故障或配置错误等原因引起的[1-2]。网络异常流

量的存在给网络运营商和用户带来了严重的安全风险和经济损失。为了及时发现和应对网络异常流量,

网络异常流量检测成为了网络安全领域的重要研究方向。机器学习算法能够通过学习大量的网络流量数

据,自动发现其中的模式和规律,并能够对未知的异常流量进行准确的分类和识别。其中,XGBoost作为

一种强大的分类模型,以其高效的训练速度和优秀的预测性能,在网络异常流量检测中得到了广泛的应用

和研究[3-4]。

本研究基于机器学习的网络异常流量检测,采用 XGBoost分类模型,对136.4万条异常流量样本的

数据集进行研究和实验。通过对网络流量数据进行特征提取和预处理,构建合适的特征向量表示,并利用

XGBoost模型进行训练和预测,以实现对网络异常流量的准确检测和分类,有助于提高网络异常流量检

测的准确性和效率,为网络安全领域的相关研究和实践提供有益的参考和借鉴。

1 理论基础

1.1 XGBoost算法

机器学习从数据中学习模式和规律,从而实现自主决策和预测,其基本原理是通过训练算法来构建一

个模型,该模型能够从输入数据中学习,并根据学习到的知识对新的未知数据进行预测或分类。在监督学

习中,算法通过已标记的训练数据来学习输入和输出之间的映射关系,以便对新的输入数据进行预测。

XGBoost是一种基于梯度提升树的监督学习算法[5]。其由多个弱分类器组合构建一个强分类器,其

核心思想是通过多轮迭代来逐步优化模型的预测能力。在每一轮迭代中,XGBoost算法通过计算损失函

数的梯度和二阶导数,来确定当前模型的残差和权重更新方向。接着,使用一棵新的决策树来拟合残差,

并将其加入到当前模型中。通过多次迭代,XGBoost算法逐步减小模型的预测误差,提高模型的泛化能

力。在XGBoost算法中,对于二分类问题,XGBoost算法的损失函数采用二元逻辑损失函数(Logistic

Loss);对于多分类问题,常用的损失函数是多元逻辑损失函数(SoftmaxLoss),如式(1)所示:

logisticloss:L(y,y

︿)=-[ylog(y

︿)+(1-y)log(1-y

︿)]

softmaxloss:L(y,y

︿)=-∑

K

i=1

yilog(y

︿ i)

(1)

对于二元逻辑损失函数,y 是真实的标签(0或1),y

︿是模型的预测概率;对于多元逻辑损失函数,y 是真

实的标签向量,y

︿是模型的预测概率向量,K 是类别的数量。通过最小化损失函数,XGBoost分类模型能

够不断优化模型的预测能力,提高分类的准确性。

1.2 主成分分析

主成分分析(PrincipalComponentAnalysis,PCA)用于将高维数据转换为低维表示,同时保留数据的

主要信息。PCA的原理基于数据的协方差矩阵和特征值分解,包括数据标准化、计算协方差矩阵、特征值

分解、特征值排序和投影。

首先,对原始数据进行标准化处理,使得每个特征的均值为0,方差为1,从而消除不同特征之间的量

纲差异,确保每个特征对降维的贡献度相同。协方差矩阵反映了不同特征之间的相关性,因此计算标准化

后的数据的协方差矩阵。对于一个d 维数据集,协方差矩阵的大小为d×d。接着,对协方差矩阵进行特

征值分解,得到特征值和对应的特征向量。特征值表示了数据在特征向量方向上的方差,而特征向量则表

示了数据在新的特征空间中的方向。将特征值按照从大到小的顺序进行排序,选择前k个特征值对应的

特征向量作为主成分。最后,将原始数据投影到选取的主成分上,得到降维后的数据,如图1所示。

在网络异常流量检测实验中,对于数据集X,样本的列向量记作xi,i=1,2,…,n。其中,n 为样本数

量。计算每个特征的均值μj、标准差σj,并进行标准化处理得到x

︿

ij。

112 安徽科技学院学报 2023年

图1 PCA降维过程

Fig.1 Dimensionalityreductionprocess

μj =

1

n∑

n

i=1

xij

σj =

1

n∑

n

i=1

(xij -μj)2

x

︿

ij =

xij -μj

σj

?

?

?

????

????

(2)

对于标准化后的数据,计算协方差矩阵并进行特征值分解,如式(3)所示:

C=

1

n∑

n

i=1

(x

︿

i -x

︿)(x

︿

i -x

︿)T (3)

最终选择15个特征值对应的特征向量作为主成分,并将原始数据投影到选取的主成分上[6],如式(4)

所示:

Y=X ×Vk (4)

其中,Y 为降维后的数据;X 为原始数据;Vk 为前k个特征向量组成的矩阵。

1.3 网络异常流量

网络流量是指在网络通信中传输的数据量,包括IP数据包、TCP/UDP数据包、HTTP请求和响应、

DNS查询和响应、ICMP数据包等。网络流量来源于用户设备、服务器、网络设备等。如个人电脑、手机、

平板等用户终端设备;提供各种网络服务的服务器,如网站服务器、邮件服务器;路由器、交换机、防火墙等

网络设备。

网络异常流量具体表现[7]:网络流量突然大幅增加,超过正常范围;网络通信的延迟明显增加,导致数

据传输速度变慢;网络服务无法正常提供,如网站无法访问、邮件无法发送等;网络中出现异常的数据包,

如异常的IP数据包、TCP/UDP数据包等;网络中出现大量的连接尝试,可能是恶意攻击或扫描行为。网

络攻击、硬件故障、软件错误和网络拥堵都可能造成网络异常流量。其中,网络攻击包括DDoS攻击、恶意

软件、网络蠕虫等,如图2所示。攻击者通过大量的请求或恶意代码导致网络流量异常增加;网络设备的

故障或配置包括路由器故障、交换机端口错误配置;软件错误指程序崩溃、内存泄漏等;网络流量超过网络

带宽容量,导致网络拥堵,也会影响正常通信。通过对网络异常流量的检测和分析,可以及时发现和应对

网络安全问题,保障网络的正常运行和数据的安全。异常流量检测通常包括数据采集、特征提取、异常检

测算法和异常流量报警。XGBoost基于梯度提升树的机器学习算法,在异常网络流量检测中具有高性

第37卷第6期 沈徳松:基于机器学习的网络异常流量检测 113

能、鲁棒性、特征重要性评估和可解释性的优势,因此被广泛应用于该领域。

图2 DDos攻击类型

Fig.2 TypeofDDosattack

2 基于机器学习的网络异常流量检测

2.1 数据预处理

采用天池阿里云的CICIDS2017数据集,样本量为136.4万条,有77个特征列和1个标签列。特征

属性有 ActiveStd、ActiveMax、IdleMin、SubflowFwdPackets、SYNFlagCount等。标签列的取值有

8类,即需要构建八分类的 XGBoost模型,如表1所示。其中,“BENIGN”表示正常网络流量,“DoS

Hulk”“DDoS”等则表示不同类型的网络异常流量。在136.4万条样本中,正常网络流量的比例为

71.08%;DoS Hulk 导致的异常流量占比为 16.94%;DDoS 导致的异常流量占比为 9.38%;DoS

GoldenEye导致的异常流量占比为0.75%;FTP-Patator导致的异常流量占比为0.58%;FTP-Patator导

致的异常流量占比为0.43%;SSH-Patator和DoSSlowhttptest导致的异常流量占比均为0.42%。

表1 样本分布

Table1 Sampledistribution

标签 样本比例/%

BENIGN 71.08

DoSHulk 16.94

DDoS 9.38

DoSGoldenEye 0.75

FTP-Patator 0.58

SSH-Patator 0.43

DoSslowloris 0.42

DoSSlowhttptest 0.42

对136.4万条网络流量进行数据清洗和检测,数据无缺失值和异常值,即数据集的完整性和可用性较

高。对77个特征列做PCA降维处理。将降维后的特征数量定义在[1,29]范围内,循环遍历指定主成分

的数量。每次循环中,将解释方差比例添加到累积方差贡献率中,并可视化解释方差比例与主成分数量之

间的关系,以帮助分析网络异常流量数据,解释方差比例是衡量主成分所保留的信息量的指标,表示降维

后的数据集能够解释原始数据集中的多少方差。在实验中,选择15个主成分时,解释方差比例与主成分

数量之间的关系接近100%,即保留了大部分原始数据集的信息(图3)。在网络异常流量检测中,PCA将

原始网络流量数据从高维空间降维到低维空间,同时保留了网络流量数据的主要信息。并将降维后的数

据用于训练XGBoost异常检测模型。

114 安徽科技学院学报 2023年

2.2 构建XGBoost分类模型

将PCA降维后得到的15个特征维度作为训练和测试特征,并对网络流量数据进行划分。其中,70%

作为训练集,即95.48万条样本用于训练 XGBoost模型;30%作为测试集,即40.92万条样本用于评估

XGBoost模型的性能。

对于XGBoost算法而言,标签必须是数值型的,而不是字符串。因此,为了将字符串标签转换为数值

型,实验对8个类别的标签进行one-hot编码处理。one-hot编码是将离散特征转换为二进制向量的编码

方法。对于每个可能的取值,one-hot编码会创建一个新的二进制特征,该特征只有一个元素为1,其余元

素为0。每个离散特征就被表示为一个高维稀疏向量,其中每个维度对应一个可能的取值。对于网络异

常流量检测,one-hot编码的步骤如下:

(1)确定标签列的所有取值:确定表1中8种网络流量类型。

(2)创建全零向量:对于每条网络流量样本,创建一个与异常类型数量相等的全零向量。

(3)将对应位置为1:对于每条网络流量样本,根据其异常类型,将对应位置的值置为1。

通过上述one-hot编码将原始的字符串标签转换为稀疏的二进制向量,只有一个位置为1,其余位置

都为0。one-hot编码编码可以更好地表示不同的异常类型,并作为输入传递给XGBoost模型进行训练和

预测。在训练XGBoost模型时,学习率、树的深度和分类器数量是影响性能的重要参数。学习率控制每

棵树对最终预测结果的贡献程度,较小的学习率可以使模型更加稳定,但可能需要更多的树来达到较高的

性能。较大的学习率可以加快模型的收敛速度,但可能导致过拟合。通常从较小的学习率开始,然后逐渐增

加,直到确认最终值。树的深度决定了每棵树的复杂度,较深的树可以更好地拟合训练数据,但也容易过拟

合。较浅的树可以减少过拟合的风险,但可能无法捕捉到复杂的模式分类器数量是使用XGBoost进行多分

类任务时的分类器个数。较多的分类器可以提高模型的性能,但也会增加计算成本。在实验中,学习率和树

的深度均采用网格搜索方式获得,分类器数量的则设置范围为[120,130,140,150,160,170,180]。

图3 解释方差比例与主成分数量的关系

Fig.3 Explainationoftherelationshipbetweentheproportionofvarianceandthenumberofprincipalcomponents

2.3 结果分析

如图4所示,采用 XGBoost算法作为网络异常流量识别的分类模型,当 XGBoost算法的分类器设置

为170个时,分类准确率最高,达到了96.32%。当分类器数量小于140个时,XGBoost算法无法充分学

习网络异常数据的复杂模式,导致欠拟合。随着分类器数量由140个增加到170个,XGBoost可以更好地

拟合训练数据,准确率随之增加。然而,当分类器数量超过170个时,XGBoost算法出现了过度拟合训练

数据,导致在未见过的数据上表现不佳,分类准确率降低。综上,XGBoost算法对网络异常数据特征有较

高的学习能力。同时,增加分类器的数量并不总是能够进一步提高性能。在分类器数量超过170个之后,

XGBoost可能已经学习到了数据中的大部分模式和规律,进一步增加分类器的数量可能只会引入噪声和

冗余,从而降低分类准确率。

第37卷第6期 沈徳松:基于机器学习的网络异常流量检测 115

图4 基于XGBoost的异常流量检测准确率

Fig.4 XGBoost-basedabnormaltrafficdetectionaccuracy

3 结论

网络异常流量可能是网络攻击的迹象,也可能是数据泄露的指示,会导致网络拥塞和性能下降。如入

侵、恶意软件传播或拒绝服务攻击、敏感数据的传输、未经授权的数据访问等。及时检测和监控网络异常

流量是保护网络安全、预防攻击和数据泄露、维护网络性能以及遵守合规要求的重要手段[8-11]。通过及时

发现和应对异常流量,可以及早发现并采取相应的安全措施,以保护网络免受攻击,有利于提高网络的安

全性和可靠性。

基于XGBoost算法的网络异常流量检测是一种有效的方法。对136.4万条网络流量数据的检测实

验中,分类准确率达到了96.32%。该指标证明了 XGBoost在网络异常流量检测中的有效性和优势。

XGBoost在网络异常流量检测中仍然有巨大的潜力。未来可以探索更多的特征工程方法,并结合其他深

度学习算法,构建更加强大和鲁棒的网络异常流量检测系统,提高模型的性能。对于异常网络流量带来的

危害,仍然需要采取关联防范措施来应对,包括建立实时流量监控系统,对网络流量进行持续监测和分析,

加强网络安全措施,使用防火墙、入侵检测系统(IDS)和入侵防御系统(IPS)等技术手段。并定期更新和

维护网络设备和软件,及时修复漏洞和弱点以减少网络受到攻击的风险。

参考文献:

[1] 田鹤,王彦超,孟宪伟,等.浅析面向网络空间安全的流量异常检测技术[J].辽宁科技学院学报,2022,24(6):

34-36,40.

[2] 黄超.基于深度学习的网络流量异常检测研究[D].上海:华东师范大学,2022.

[3] 沈雅倩,黄志甲,周涛.基于 XGBoost分类算法的热舒适预测模型[J].安徽工业大学学报(自然科学版),2022,

39(1):74-78,99.

[4] 段亚穷,向勉,刘洪笑,等.基于双层XGBoost的风力发电机瞬时发电量预测[J].湖北民族大学学报(自然科学版),

2022,40(2):171-175,195.

[5] 李占山,刘兆赓.基于XGBoost的特征选择算法[J].通信学报,2019,40(10):101-108.

[6] 张娇阳,孙黎.基于深度学习的网络异常检测和智能流量预测方法[J].无线电通信技术,2022,48(1):81-88.

[7] 钱叶魁,陈鸣,叶立新,等.基于多尺度主成分分析的全网络异常检测方法[J].软件学报,2012,23(2):361-377.

[8] 邓华伟,李喜旺.基于深度学习的网络流量异常识别与检测[J].计算机系统应用,2023,32(2):274-280.

[9] 苗国建,岑俊杰.一种基于深度学习的网络异常流量检测算法[J].河南工学院学报,2023,31(1):13-18.

[10] 陈波红,祝金明.统计向量分析下大规模网络流量异常检测仿真[J].计算机仿真,2023,40(4):373-376,401.

[11] 谢奇爱,李正茂.基于大数据关联规则的网络恶意行为识别检测[J].合肥学院学报(综合版),2021,38(2):85-91.

(责任编辑:顾文亮)

116 安徽科技学院学报 2023年

《安徽科技学院学报》编委会

主 任：李升和

副 主 任：陈 丰 尹雪斌

委 员：陈 丰 杜传来 国 海 何恩节 胡月英

胡忠泽 黄保宏 李 强 李升和 李文阳

李孝良 孙玉军 汪徐春 尹雪斌 张春雨

张远兵 邹海明

特约编委：陈 伟 范红结 李 林 刘立明 沈 兵

唐中林 王宏林 吴文革 严从生 张其安

安徽科技学院学报

ANHUI KEJI XUEYUAN XUEBAO

1984年创刊（双月刊）

第38卷第1期（总第176期）2024年2月

JOURNAL OF ANHUI SCIENCE AND

TECHNOLOGY UNIVERSITY

Started in 1984 (Bimonthly)

Vol.38 No.1 (Sum 176) Feb.2024

主管单位 安徽省教育厅

主办单位 安徽科技学院

编辑出版 安徽科技学院学报编辑部

主 编 李升和

地 址 安徽省凤阳县东华路9号

邮 编 233100

电 话 0550-6732247

电子信箱 akxb2015@163.com

印刷单位 合肥同传印务有限公司

发行单位 安徽科技学院学报编辑部

出版时间 2024年2月15日

Administrated by Education Department of

Anhui Province

Sponsored by Anhui Science and Technology

University

Edited and Published by Editorial Department

of Journal of Anhui Science and Technology

University

Chief Editor LI Shenghe

Address No.9, Donghua Road, Fengyang,

Anhui, China

Postcode 233100

Telephone 0550-6732247

E-mail akxb2015@163.com

Printed by Hefei Tongchuan Printing Co., Ltd.

Distributed by Editorial Deparment of Journal

of Anhui Science and Technology University

Publication Date Feb.15, 2024

ISSN 1673-8772

CN 34-1300/N

公开发行

定价：10元