CN109450740A - 一种基于dpi和机器学习算法进行流量分类的sdn控制器 - Google Patents
一种基于dpi和机器学习算法进行流量分类的sdn控制器 Download PDFInfo
- Publication number
- CN109450740A CN109450740A CN201811574511.9A CN201811574511A CN109450740A CN 109450740 A CN109450740 A CN 109450740A CN 201811574511 A CN201811574511 A CN 201811574511A CN 109450740 A CN109450740 A CN 109450740A
- Authority
- CN
- China
- Prior art keywords
- module
- dpi
- machine learning
- data packet
- learning algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 55
- 238000010801 machine learning Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 235000014510 cooky Nutrition 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000003064 k means clustering Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/02—Capturing of monitoring data
- H04L43/026—Capturing of monitoring data using flow identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/02—Capturing of monitoring data
- H04L43/028—Capturing of monitoring data by filtering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2441—Traffic characterised by specific attributes, e.g. priority or QoS relying on flow classification, e.g. using integrated services [IntServ]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于DPI和机器学习算法进行流量分类的SDN控制器，在现有的控制器模块中通过添加自设模块实现DPI机制与机器学习算法相结合进行流量数据包的应用请求分类功能，自设模块主要包含三部分：数据流特征构建模块；特征提取及分类器训练模块；分类器进行流量分类模块。首先使用K均值聚类算法进行信息特征库的构建，再利用DPI技术提取特征形成训练模块，最后运用朴素贝叶斯算法对于数据包进行详细的流量分类。本发明设计的基于DPI和机器学习算法进行流量分类的SDN控制器具有较高的分类精度，且具有较好地灵活性。
Description
技术领域
本发明涉及一种SDN控制器，特别涉及一种结合深度包检测技术和机器学习算法进行网络流量分类的SDN控制器。
背景技术
SDN(Software Defined Networking，软件定义网络)是一种新型的计算机网络模式，与传统的网络架构体系相比，SDN将网络控制层与数据层进行解耦，打破了OSI模型的垂直框架，图1展示了SDN网络的架构体系图。OpenFlow(OF)协议是一种重要的的通信协议，控制器和网络交换机通过这种协议进行交互，OpenFlow也是SDN中最常用的南向接口协议。OF交换机包含单一或多级流表。流表是由流信息组成的。每一条流表包含了一些规则和要执行的动作。
SDN被认为是一种未来的网络范式，可以显著的简化网络的操作和维护，提高网络资源的利用率。然而，目前SDN控制流量的粒度还不够完善。OpenFlow是数据平面和控制平面之间最常用的接口，但它只能处理OSI模型中从第一层到第四层的信息，而不能感知应用层信息的形成，因此面对不同的应用请求不同的服务质量需求，控制器并不能提供不同的服务，在此基础上重新思考和重新设计SDN流量工程具有重要的意义。
在SDN中为了实现细粒度的流量保证，对于网络流量进行分类是必不可少的一步。现在已有的应对方法有很多种，大体可以分为三类：
a)基于深度包检测(DPI)技术的流量分类方法。DPI技术可以准确的检测出数据包的有效载荷，对于应用层协议进行切分识别出不同的应用请求。然而DPI技术受限于加密流以及一些私有协议，而且在现有的多个应用请求相似服务的情况下DPI并不能提供一个准确的分类结果；
b)基于机器学***面进行挖掘和协调，半监督式机器学习算法无法直接用于SDN中。
c)基于多种分类器机制的流量分类方法。这种方法结合了几种不同的流量分类方法的优点进行流量的分类，然而现有的技术中无论是将DPI和端口号识别机制相结合进行流量分类的方法还是利用不同的机器学习算法进行流量分类都有着两方面的限制，其一是精确度不高，其二是实现方法不够灵活。
发明内容
为了解决现有的流量分类方法的缺点，本发明设计了一种基于DPI和机器学习算法进行流量分类的SDN控制器。
本发明的目的是在SDN控制器中通过自设模块进行实时和自适应的进行流量分类已达到细粒度的流量保证。
本发明所采用的技术方案如下：
一种基于DPI和机器学习算法进行流量分类的SDN控制器，为了应对网络需求的灵活性，本发明设计的SDN控制器框架结构如图2，在现有的控制器的基础中可以添加并行的流量分类机制模块，具体包括以下模块：
A、数据流信息特征库构建模块
B、特征提取和分类器训练模块
C、分类器进行流量分类模块
模块A的功能是为不同应用的数据包建立一个分类。模块A中，当控制器通过Packet_in操作从交换机中获取流表信息后利用机器学***方误差：其中是簇Ci的均值向量。将数据包按照初始值大小经过迭代后分为大致6类，并将每一类的五元组特征(源IP地址、源端口、目的IP地址、目的端口、应用层协议)保存在各自的数据库表格中，以便模块B使用。
模块B的功能是利用现有的比较成熟的DPI软件进行协议确认、协议切分、协议域切分等各种手段提取特征并构建分类器训练模块。
模块C的功能是使用机器学习中的半监督式分类算法(朴素贝叶斯算法)进行流量分类，在模块B中假设通过DPI软件引擎进行特征提取后组成的分类器训练模块中的数据包标记为：CL＝{y1，y2，y3，…，yn}，当控制器接收到一条新的数据包假设为：x＝{a1，a2，a3，...am}，其中每个a为x的一个属性。通过DPI进行分类器训练模块特征的提取后，我们可以得到的是CL，通过计算P(y1|x)，P(y2|x)，P(y3|x)，…，P(yn|x)，并找出所有概率中的最大的那一项，即如果：P(yk|x)＝max{P(y1|x)，P(y2|x)，P(y3|x)，...，P(yn|x)}，则我们认为这条刚接收到的数据包为x∈yk，并且在特征训练数据库中添加这条数据包的特征，作为新的训练数据库。
本发明的优点：
①本发明通过结合DPI技术以及机器学习算法中的无监督式聚类算法以及半监督式分类算法的优点，利用各自的特点部署在不同的模块中，共同协作完成流量分类的任务，即可以保证准确率又能够避免过度消耗控制器的计算资源。
②本发明利用并行模块思想及API接口技术，在现有SDN控制器中添加自设模块完成流量分类工作，避免了硬件资源的浪费以及保证了流量分类模块的灵活性和可嫁接性。
③本发明使用了更优化的半监督式分类算法，根据前期所做的大量工作及阅读到的大量文献得知朴素贝叶斯算法的分类精度最高，并且本发明提出朴素贝叶斯算法中的训练库模块的数据库更新技术，保证了训练数据集特征的丰富性，从而保证分类精度。
附图说明
为了更清楚地说明本发明的技术方案，下面将对发明内容中所需要使用的附图作简要地介绍。
图1为SDN网络的架构体系图。
图2为本发明的一种基于DPI和机器学习算法进行流量分类的SDN控制器中的SDN控制器的框架结构图。
图3为本发明的一种基于DPI和机器学习算法进行流量分类的SDN控制器中的模块A使用的K均值聚类算法的实现流程图。
图4为本发明的一种基于DPI和机器学习算法进行流量分类的SDN控制器中的模块B中使用的DPI技术来进行特征提取的实现流程图。
图5为本发明的一种基于DPI和机器学习算法进行流量分类的SDN控制器中的模块C使用的朴素贝叶斯算法和训练数据库维护的实现流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
参见图1所示，本发明是一种基于DPI和机器学习算法进行流量分类的SDN控制器，该SDN控制器是在现有控制器的框架中自设模块完成流量分类任务，自设模块就有并行处理的能力，其中又分为三个子模块，分别是通过使用无监督聚类算法进行特征库的构建，通过使用DPI技术进行特征的提取以构成训练数据库，通过使用半监督分类算法进行流量分类并实时更新训练数据库保证分类的精度。
参见图2所示，在本发明中将主要分为数据流信息特征库构建模块、特征提取和分类器训练模块、分类器进行流量分类模块。
参见图3所示，在数据流信息特征库构建模块中使用K均值聚类算法进行聚类操作，每当控制器通过Packet_in操作从交换机获取数据包后控制器现有功能模块可以计算出每个数据包的大小xi，以数据包的大小的不同当作聚类中的主要分析元素，首先在算法开始前选择初始值为64,128,256,512,1024,2000作为初始均值向量μ，通过计算获取的数据包的大小与各均值向量的欧式距离di＝||xi-μ||2，选取其中距离最近的的均值向量确定xi的簇标记：λj＝argminidi，且根据新划分的簇计算新的均值向量判断新的均值向量与μ是否相同，若相同，则μ保持不变并结束本次聚类；若不同，则将μ更换为μ并结束本次聚类。在每次的聚类判断中，会根据聚类的结果实时调整均值向量达到簇内的每条数据包具有更加相似的数据包大小。
参见图4所示，由模块A进行聚类后数据包pcap文件会通过函数调用接口进入到DPI软件分析引擎中，DPI通过响应转换技术将数据包映射到所述数据流，并且选择每条流中的前20个数据包进行协议识别与跟踪从而分析出协议的类型，这里有三种可能：
①前20个数据包中的第一条数据包就可以判断出应用类型，此时，我们做以标记并将其后的19个数据包从当前的分析引擎中删除。
②第20个数据包被解析出相应的应用类型，之前的数据包一直被保存在流数据包所对应的二叉树中，检测第20个数据包与前19个数据包都属于同一条流，故只标记这条流即可。
③20个数据包都解析完毕，并未解析出相应的应用类型，这时我们将这条流信息标记为待测试数据包集合。交给模块三进行详细分类。
前两种可能可以将最后流信息特征与应用类型的映射关系保存在相应的训练数据库中，并根据每次新的流的到来不断被更新。数据库中的流表保存格式为：
| 匹配域 | 优先级 | 计数器 | 动作域 | Cookie | 标记域 |
参见图5所示，在分类器模块从模块B中得到的测试集中读取数据流并获取前20个数据包的特征，与训练集中数据流特征做朴素贝叶斯算法求相应概率最大的一个，将本条数据流标记为概率最大的相应流对应的应用类别，并添加此流特征进入测试数据流的数据库中，直到控制器停止接收数据流为止。
实施例1
以下给出本发明的一个实施例，说明本发明中控制器如何完成一次数据流的分类过程(如图3、图4、图5所示)，具体的数据包调度步骤如下所示：
SA01步骤：控制器通过Packet_in操作从交换机获取数据包后控制器现有功能模块可以计算出每个数据包的大小xi
SA02步骤：以数据包的大小的不同当作聚类中的主要分析元素，首先在算法开始前选择初始值为64,128,256,512,1024,2000作为初始均值向量μ。
SA03步骤：通过计算获取的数据包的大小与各均值向量的欧式距离di＝||xi-μ||2，选取其中距离最近的的均值向量确定xi的簇标记
SA04步骤：根据新划分的簇计算新的均值向量
SA05步骤：判断新的均值向量与μ是否相同，若相同，则μ保持不变并结束本次聚类；若不同，则将μ更换为μ并结束本次聚类。
SB01步骤：由模块A进行聚类后数据包pcap文件会通过函数调用接口进入到DPI软件分析引擎中。
SB02步骤：DPI通过响应转换技术将数据包映射到所述数据流。
SB03步骤：选择每条流中的前20个数据包进行协议识别与跟踪从而分析出协议的类型
SB04步骤：当前数据包序数<＝20且已被检测出相应的应用类别，则停止检测本流并做相应的应用标记作为训练数据库
SB05步骤：若数据包序数大于20或未被检测出相应的应用类别，则将此流标记为待训练数据流。
SC01步骤：从模块B中得到的测试集中读取数据流并获取前20个数据包的特征。
SC02步骤：与训练集中数据流特征做朴素贝叶斯算法求相应概率最大的一个，将本条数据流标记为概率最大的相应流对应的应用类别。
SC03步骤：添加此流特征进入测试数据流的数据库中。
SC04步骤：判断控制器是否停止工作，若停止工作则结束本次分类，若未停止，则重复步骤SC01。
Claims (6)
1.一种基于DPI和机器学习算法进行流量分类的SDN控制器，是在现有SDN控制器的基础上自设模块完成控制器对网络流量的分类，其特征包括以下部分：
A、数据流信息特征库构建模块
B、特征提取和分类器训练模块
C、分类器进行流量分类模块。
2.根据权利要求1所述的一种基于DPI和机器学习算法进行流量分类的SDN控制器，其特征在于由模块A采用的无监督聚类算法中的K均值聚类算法实现对于数据包的聚类，形成数据流信息特征库，模块B根据模块A构建的特征库进行基于DPI技术的特征提取并将由DPI技术分类出的数据流标记为训练数据流模块存入训练数据库中，模块C根据训练数据库中的数据流特征和未被标记的数据流特征做朴素贝叶斯算法的分类，将DPI未识别的数据流进行详细的流量分类。
3.根据权利要求2所述的一种基于DPI和机器学习算法进行流量分类的SDN控制器，其特征在于模块A的关于数据流信息特征库构建模块的具体步骤如下：
SA01步骤：控制器通过Packet_in操作从交换机获取数据包后控制器现有功能模块可以计算出每个数据包的大小xi
SA02步骤：以数据包的大小的不同当作聚类中的主要分析元素，首先在算法开始前选择初始值为64,128,256,512,1024,2000作为初始均值向量μ。
SA03步骤：通过计算获取的数据包的大小与各均值向量的欧式距离di＝||xi-μ||2，选取其中距离最近的的均值向量确定xi的簇标记。
SA04步骤：根据新划分的簇计算新的均值向量
SA05步骤：判断新的均值向量与μ是否相同，若相同，则μ保持不变并结束本次聚类；若不同，则将μ更换为μ*并结束本次聚类。
4.根据权利要求2所述的一种基于DPI和机器学习算法进行流量分类的SDN控制器，其特征在于模块B的关于特征提取和分类器训练模块的具体步骤如下：
SB01步骤：由模块A进行聚类后数据包pcap文件会通过函数调用接口进入到DPI软件分析引擎中。
SB02步骤：DPI通过响应转换技术将数据包映射到所述数据流。
SB03步骤：选择每条流中的前20个数据包进行协议识别与跟踪从而分析出协议的类型
SB04步骤：当前数据包序数<＝20且已被检测出相应的应用类别，则停止检测本流并做相应的应用标记作为训练数据库。
SB05步骤：若数据包序数大于20或未被检测出相应的应用类别，则将此流标记为待训练数据流。
5.根据权利要求2所述的一种基于DPI和机器学习算法进行流量分类的SDN控制器，其特征在于模块C的关于分类器进行流量分类模块的具体步骤如下：
SC01步骤：从模块B中得到的测试集中读取数据流并获取前20个数据包的特征。
SC02步骤：与训练集中数据流特征做朴素贝叶斯算法求相应概率最大的一个，将本条数据流标记为概率最大的相应流对应的应用类别。
SC03步骤：添加此流特征进入测试数据流的数据库中。
6.根据权利1至5其任一项所述的一种基于DPI和机器学习算法进行流量分类的SDN控制器，其特征在于流表的表格格式为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811574511.9A CN109450740A (zh) | 2018-12-21 | 2018-12-21 | 一种基于dpi和机器学习算法进行流量分类的sdn控制器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811574511.9A CN109450740A (zh) | 2018-12-21 | 2018-12-21 | 一种基于dpi和机器学习算法进行流量分类的sdn控制器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109450740A true CN109450740A (zh) | 2019-03-08 |
Family
ID=65537840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811574511.9A Pending CN109450740A (zh) | 2018-12-21 | 2018-12-21 | 一种基于dpi和机器学习算法进行流量分类的sdn控制器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109450740A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110213175A (zh) * | 2019-06-08 | 2019-09-06 | 西安电子科技大学 | 一种面向知识定义网络的智能管控***及管控方法 |
| CN110311829A (zh) * | 2019-05-24 | 2019-10-08 | 西安电子科技大学 | 一种基于机器学习加速的网络流量分类方法 |
| CN110391958A (zh) * | 2019-08-15 | 2019-10-29 | 北京中安智达科技有限公司 | 一种对网络加密流量自动进行特征提取和识别的方法 |
| CN110445800A (zh) * | 2019-08-15 | 2019-11-12 | 上海寰创通信科技股份有限公司 | 一种基于自学习的深度报文解析*** |
| CN111711545A (zh) * | 2020-05-29 | 2020-09-25 | 福州大学 | 一种软件定义网络中基于深度包检测技术的加密流量智能识别方法 |
| CN111756642A (zh) * | 2020-06-02 | 2020-10-09 | 深圳供电局有限公司 | 一种基于dpi和机器学习的网络流量调度***及方法 |
| CN111953641A (zh) * | 2019-05-17 | 2020-11-17 | 瞻博网络公司 | 未知网络流量的分类 |
| WO2020228527A1 (zh) * | 2019-05-14 | 2020-11-19 | 华为技术有限公司 | 数据流的分类方法和报文转发设备 |
| CN112217834A (zh) * | 2020-10-21 | 2021-01-12 | 北京理工大学 | 一种基于图结构的互联网加密流量交互特征提取方法 |
| CN112637292A (zh) * | 2020-12-14 | 2021-04-09 | 中国联合网络通信集团有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN112822121A (zh) * | 2019-11-15 | 2021-05-18 | 中兴通讯股份有限公司 | 流量识别方法、流量确定方法、知识图谱建立方法 |
| CN114430419A (zh) * | 2021-12-09 | 2022-05-03 | 西安邮电大学 | 一种基于sdn的智能工厂中异构网络数据流重构方法 |
| WO2023231391A1 (zh) * | 2022-05-30 | 2023-12-07 | 天翼云科技有限公司 | 一种数据识别方法、装置及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102394827A (zh) * | 2011-11-09 | 2012-03-28 | 浙江万里学院 | 互联网流量分级分类方法 |
| CN104767692A (zh) * | 2015-04-15 | 2015-07-08 | 中国电力科学研究院 | 一种网络流量分类方法 |
| CN108446964A (zh) * | 2018-03-30 | 2018-08-24 | 中南大学 | 一种基于移动流量dpi数据的用户推荐方法 |
-
2018
- 2018-12-21 CN CN201811574511.9A patent/CN109450740A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102394827A (zh) * | 2011-11-09 | 2012-03-28 | 浙江万里学院 | 互联网流量分级分类方法 |
| CN104767692A (zh) * | 2015-04-15 | 2015-07-08 | 中国电力科学研究院 | 一种网络流量分类方法 |
| CN108446964A (zh) * | 2018-03-30 | 2018-08-24 | 中南大学 | 一种基于移动流量dpi数据的用户推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李国平,王勇,陶晓玲: "基于DPI和机器学习的网络流量分类方法", 《桂林电子科技大学学报》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12003609B2 (en) * | 2019-05-14 | 2024-06-04 | Huawei Technologies Co., Ltd. | Data flow classification method and packet forwarding device |
| US20210409334A1 (en) * | 2019-05-14 | 2021-12-30 | Huawei Technologies Co., Ltd. | Data Flow Classification Method and Packet Forwarding Device |
| WO2020228527A1 (zh) * | 2019-05-14 | 2020-11-19 | 华为技术有限公司 | 数据流的分类方法和报文转发设备 |
| US11985169B2 (en) | 2019-05-17 | 2024-05-14 | Juniper Networks, Inc. | Classification of unknown network traffic |
| US11323481B2 (en) | 2019-05-17 | 2022-05-03 | Juniper Networks, Inc. | Classification of unknown network traffic |
| CN111953641A (zh) * | 2019-05-17 | 2020-11-17 | 瞻博网络公司 | 未知网络流量的分类 |
| CN110311829B (zh) * | 2019-05-24 | 2021-03-16 | 西安电子科技大学 | 一种基于机器学习加速的网络流量分类方法 |
| CN110311829A (zh) * | 2019-05-24 | 2019-10-08 | 西安电子科技大学 | 一种基于机器学习加速的网络流量分类方法 |
| CN110213175B (zh) * | 2019-06-08 | 2022-06-28 | 西安电子科技大学 | 一种面向知识定义网络的智能管控***及管控方法 |
| CN110213175A (zh) * | 2019-06-08 | 2019-09-06 | 西安电子科技大学 | 一种面向知识定义网络的智能管控***及管控方法 |
| CN110445800B (zh) * | 2019-08-15 | 2022-06-14 | 上海寰创通信科技股份有限公司 | 一种基于自学习的深度报文解析*** |
| CN110391958A (zh) * | 2019-08-15 | 2019-10-29 | 北京中安智达科技有限公司 | 一种对网络加密流量自动进行特征提取和识别的方法 |
| CN110391958B (zh) * | 2019-08-15 | 2021-04-09 | 北京中安智达科技有限公司 | 一种对网络加密流量自动进行特征提取和识别的方法 |
| CN110445800A (zh) * | 2019-08-15 | 2019-11-12 | 上海寰创通信科技股份有限公司 | 一种基于自学习的深度报文解析*** |
| CN112822121A (zh) * | 2019-11-15 | 2021-05-18 | 中兴通讯股份有限公司 | 流量识别方法、流量确定方法、知识图谱建立方法 |
| CN111711545A (zh) * | 2020-05-29 | 2020-09-25 | 福州大学 | 一种软件定义网络中基于深度包检测技术的加密流量智能识别方法 |
| CN111756642A (zh) * | 2020-06-02 | 2020-10-09 | 深圳供电局有限公司 | 一种基于dpi和机器学习的网络流量调度***及方法 |
| CN112217834B (zh) * | 2020-10-21 | 2021-06-18 | 北京理工大学 | 一种基于图结构的互联网加密流量交互特征提取方法 |
| CN112217834A (zh) * | 2020-10-21 | 2021-01-12 | 北京理工大学 | 一种基于图结构的互联网加密流量交互特征提取方法 |
| CN112637292B (zh) * | 2020-12-14 | 2022-11-22 | 中国联合网络通信集团有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN112637292A (zh) * | 2020-12-14 | 2021-04-09 | 中国联合网络通信集团有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN114430419A (zh) * | 2021-12-09 | 2022-05-03 | 西安邮电大学 | 一种基于sdn的智能工厂中异构网络数据流重构方法 |
| CN114430419B (zh) * | 2021-12-09 | 2024-01-09 | 西安邮电大学 | 一种基于sdn的智能工厂中异构网络数据流重构方法 |
| WO2023231391A1 (zh) * | 2022-05-30 | 2023-12-07 | 天翼云科技有限公司 | 一种数据识别方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109450740A (zh) | 一种基于dpi和机器学习算法进行流量分类的sdn控制器 | |
| US10187291B2 (en) | Path planning method and controller | |
| Manias et al. | Concept drift detection in federated networked systems | |
| CN107704868B (zh) | 基于移动应用使用行为的用户分群聚类方法 | |
| WO2015154484A1 (zh) | 流量数据分类方法及装置 | |
| CN107786388A (zh) | 一种基于大规模网络流数据的异常检测*** | |
| US11558769B2 (en) | Estimating apparatus, system, method, and computer-readable medium, and learning apparatus, method, and computer-readable medium | |
| CN110061931B (zh) | 工控协议的聚类方法、装置、***及计算机存储介质 | |
| CN112817755A (zh) | 基于目标追踪加速的边云协同深度学习目标检测方法 | |
| CN108696453A (zh) | 轻量级的电力通信网sdn业务流感知方法及*** | |
| CN106911591A (zh) | 网络流量的分类方法和*** | |
| CN100574312C (zh) | 分析数据分组的分析器 | |
| Hameed et al. | IoT traffic multi-classification using network and statistical features in a smart environment | |
| CN114142923A (zh) | 光缆故障定位方法、装置、设备及可读介质 | |
| CN108805211A (zh) | 基于机器学习的智能业务类型感知方法 | |
| Zhang et al. | Comparison of Trajectory Clustering Methods based on K-means and DBSCAN | |
| CN104468276B (zh) | 基于随机抽样多分类器的网络流量识别方法 | |
| CN116545944A (zh) | 一种网络流量分类方法及*** | |
| CN115348198B (zh) | 基于特征检索的未知加密协议识别分类方法、设备及介质 | |
| Deart et al. | Agglomerative Clustering of Network Traffic Based on Various Approaches to Determining the Distance Matrix | |
| CN112003733B (zh) | 一种智慧园区物联网综合管理方法及管理平台 | |
| CN110061869B (zh) | 一种基于关键词的网络轨迹分类方法及装置 | |
| CN114638277A (zh) | 一种基于判别决策树的工业部件分类方法 | |
| CN107579866B (zh) | 一种无线虚拟化接入自主管理网络的业务与虚拟服务智能匹配方法 | |
| Saxena et al. | A comparative study on adversarial noise generation for single image classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190308 |
|
| WD01 | Invention patent application deemed withdrawn after publication |