CN115065983A - 一种基于服务分析的高耦合移动应用识别方法 - Google Patents
一种基于服务分析的高耦合移动应用识别方法 Download PDFInfo
- Publication number
- CN115065983A CN115065983A CN202210623575.3A CN202210623575A CN115065983A CN 115065983 A CN115065983 A CN 115065983A CN 202210623575 A CN202210623575 A CN 202210623575A CN 115065983 A CN115065983 A CN 115065983A
- Authority
- CN
- China
- Prior art keywords
- mobile application
- sample
- model
- attribute space
- feature vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000010168 coupling process Methods 0.000 title claims abstract description 40
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000008878 coupling Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000008676 import Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于服务分析的高耦合移动应用识别方法。在模型训练阶段,该方法首先捕获移动应用从启动开始运行几十秒的网络流量数据,并为网络流量数据打上标签;然后设置时间长度t,提取t秒网络流量数据中移动应用访问的服务信息作为属性,形成属性空间;接着,根据属性空间生成特征向量,将特征向量和应用标签组成样例;最后,利用有监督的机器学习算法训练分类模型,在训练模型的过程中对属性空间进行优化,得到最终的识别模型。在应用识别阶段,利用训练阶段得到的识别模型识别网络流量中的移动应用。本发明可以实现从多个高耦合移动应用中精准识别出每一个具体的高耦合移动应用,可以为互联网提供商为不同应用提供差异化服务提供前提。
Description
技术领域
本发明涉及一种基于服务分析的高耦合移动应用识别方法,属于网络管理技术领域。
背景技术
随着互联网技术的快速发展,多样化的移动应用大大丰富了人们的生活。为了提高服务质量(QoS),互联网服务供应商更加重视对网络的监控和管理。他们希望通过了解用户对移动应用的使用情况来提高QoS。此外,早期识别应用是互联网服务供应商监测和管理其网络的前提条件。ISP可以在早期识别的基础上为不同的应用提供差异化的服务。
为了能够在移动应用启动后尽可能早的对移动应用进行识别,以前的方法是利用服务的IP地址和端口进行识别。在互联网发展的早期阶段,用户可以通过DNS解析或直接通过IP地址访问服务。此时,应用程序和IP地址之间的映射关系是一对一的。因此,应用程序可以通过其IP地址和端口号来识别。然而,随着用户访问量的进一步增加和对低访问延迟的需求,上述应用架构已不再适用。内容交付网络(CDN)加速和负载平衡技术的出现,解决了用户访问和访问延迟的问题,这也导致不同的IP地址被不同地区的同一应用所访问。当多个应用或服务被部署在一个服务器集群中时,IP地址和应用会是多对多的映射关系。此外,移动应用也可以使用动态或随机分配的端口。因此,通过IP地址和端口,或DNS解析和端口来识别移动应用已经不再可行。有实验表明,利用IP地址和DNS可以区分55%的流量,而单独的IP地址可以区分33%。
近年来,大多数研究都采用基于有效载荷的识别方法和基于统计特征的识别方法来准确识别应用程序。基于有效载荷的识别方法通常通过选择合适的有效载荷字节长度和提取关键流量特征来识别应用。基于统计特征的识别方法通常通过分析包级流量特征来识别移动应用。
然而,上述两种方法在识别具有类似流量特征的家族应用时存在识别精度低的问题。家庭应用是由一些应用提供商(如谷歌和Facebook)发布的一系列应用。为了方便于应用的开发,不同的应用会使用一些相同的公共服务,特别是同一公司的产品会使用该公司发布的更多公共服务。因此,使用相同服务的移动应用之间存在着服务耦合。服务耦合现象在家族应用中最为常见。然而,由于相同服务的流量特征往往相似,服务耦合是导致家庭应用分类模糊的根本原因。因此,通过提取有效的流量特征来区分家族应用是一个挑战。
此外,尽早识别应用是ISP提供更好的QoS的前提条件。为了满足不同移动应用的服务要求,ISP需要在移动应用启动后尽快对其进行识别,并为应用提供适当的服务。然而,由于基于有效载荷和基于统计特征的识别方法都需要大量的数据包。它们不能满足早期识别应用的要求。
发明内容
为了解决上述问题,本发明公开了一种基于服务分析的高耦合移动应用识别方法。在模型训练阶段,该方法首先捕获移动应用从启动开始运行几十秒的网络流量数据,并为网络流量数据打上标签;然后设置时间长度t,提取t秒网络流量数据中移动应用访问的服务信息作为属性,形成属性空间;接着,根据属性空间生成特征向量,将特征向量和应用标签组成样例;最后,利用有监督的机器学习算法训练分类模型,在训练模型的过程中对属性空间进行优化,得到最终的识别模型。在应用识别阶段,该方法首先提取t秒新传入网络流量中移动应用访问的服务信息;然后根据训练阶段优化的属性空间生成特征向量;最终用训练阶段得到的识别模型识别特征向量对应的移动应用。本发明提供的方法基于网络中到达的单向数据流。本发明可以实现从多个高耦合移动应用中精准识别出每一个具体的高耦合移动应用,可以为互联网提供商为不同应用提供差异化服务提供前提。
为了实现本发明的目的,本方案具体技术步骤如下:一种基于服务分析的高耦合移动应用识别方法,所述方法包括以下步骤:
步骤(1)获取高耦合移动应用从启动开始到运行几十秒内的网络流量数据,并为网络流量数据打上应用标签;
步骤(2)设置时间长度t,将每个流量样本切分成相同时间长度的样本;
步骤(3)基于步骤(2)的结果,提取每个流量样本中移动应用访问的服务信息作为属性,形成属性空间;
步骤(4)基于步骤(3)的结果,根据属性空间生成特征向量,将特征向量和样本的标签组合,形成样例;
步骤(5)使用有监督的机器学习模型对步骤(4)得到的样例进行模型训练;
步骤(6)基于步骤(5)中模型生成的feature_importance对属性进行排序,使用包裹式方法对属性空间进行优化,得到新的属性空间;
步骤(7)基于步骤(6)中得到的新的属性空间生成特征向量,进一步生成样例;
步骤(8)基于步骤(5),对步骤(7)得到的样例进行模型训练;
重复步骤(5)-(8),直到模型的识别准确率开始降低时停止重复过程,得到优化的属性空间和最终的识别模型。
步骤(9)提取t秒新传入网络流量中移动应用访问的服务信息;
步骤(10)基于步骤(9)的结果,根据步骤(6)重复过程中得到的优化的属性空间生成特征向量;
步骤(11)使用步骤(8)中最终得到的识别模型识别步骤(10)中特征向量对应的移动应用。
进一步,步骤(1)中,获取高耦合移动应用原始流量数据的方法如下:
选定待识别的高耦合移动应用并捕获高耦合移动应用从启动开始到运行一段时间内的网络流量数据,并为网络流量数据打上应用标签,从而得到带标签的高耦合移动应用数据集。
进一步,步骤(2)中,获取相同时间长度的流量样本的方法如下:
设置时间长度为t,每个流量样本都是高耦合移动应用从启动开始到运行共计t秒的网络流量数据。
进一步,步骤(3)中,提取移动应用访问的服务信息并形成属性空间的步骤如下:
根据步骤(2)设置的时间长度t,提取流量样本t秒内移动应用访问的服务的信息,并将服务作为属性空间的属性,其中属性的格式为(IP:Port)和(DomainName:Port)。
进一步,步骤(4)中,构造特征向量并形成样例的步骤如下:
(4.1)根据上述的属性空间生成每个流量样本的特征向量,格式如(1)所示
xi=(xi1;xi2;…;xid) (1)
其中,xij是样本xi在第j个属性上的取值,d是属性空间的维度。如果样本xi访问了第j个属性(即服务),xij取值为1,否则取值为0;
(4.2)将特征向量和移动应用的标签组合在一起形成样例(xi,yi),yi是流量样本xi对应的应用标签。
进一步,步骤(5)中,使用机器学习模型对步骤(4.2)得到的带有标签的样例进行模型训练,得到识别模型的方法如下:
(5.1)将步骤(4.2)中得到的已标记的样本划分为训练集和测试集,比例为7:3,用于模型的训练;
(5.2)使用多个机器学习模型针对训练集进行模型训练。
进一步,步骤(6)中,对属性空间进行优化的方法如下:
在模型训练过程中,对步骤(3)生成的属性空间使用包裹式方法进行迭代优化,降低属性空间的维度,根据步骤(5)中模型生成的feature_importance值降序对属性进行排序,剔除掉排序后的后50个属性,生成新的属性空间。
进一步,步骤(7)中,根据新的属性空间生成特征向量和样例的方法和步骤(4)的方法相同。
进一步,步骤(8)中,进行模型训练的方法和步骤(5)的方法相同,训练的样本是步骤(7)得到的样例。
进一步,步骤(9)中,提取t秒新传入网络流量中移动应用访问的服务信息的方法如下:
将时间长度t设置为和步骤(2)中相同的时间长度t,提取t秒网络流量内移动应用访问的服务的信息。
进一步,步骤(10)中,生成特征向量的方法如下:
根据步骤(6)重复过程中得到的优化的属性空间,生成步骤(9)中流量数据对应的特征向量,特征向量格式同步骤(4)中特征向量的格式相同。
进一步,步骤(11)中,识别特征向量对应移动应用的方法如下:
使用步骤(8)中最终得到的识别模型识别步骤(10)中特征向量对应的移动应用。
与现有技术相比,本发明的技术方案具有以下有益技术效果,(1)本发明面向高服务耦合的移动应用,提出了一种基于服务分析的高耦合移动应用识别方法,该方法适用于识别由同一开发商开发的移动应用,具有较好的应用前景;(2)本发明以网络流量中的单向流作为分析对象,仅提取服务的信息,流量特征相对简单,且不需要统计计算,减少了特征提取过程中的资源消耗;(3)本发明只需要对移动应用启动开始的流量进行分析就可以达到较高的识别准确率,这对研究移动应用的早期识别具有重要的意义。
附图说明
图1为基于服务分析的高耦合移动应用识别整体框架图;
图2为网络流量采集拓扑示意图;
图3为随机森林模型25s下的混淆矩阵示意图;
图4为支持向量机模型25s下的混淆矩阵示意图;
图5为k最邻近模型25s下的混淆矩阵示意图;
图6为15s下的识别性能示意图;
图7为20s下的识别性能示意图;
图8为25s下的识别性能示意图;
图9为30s下的识别性能示意图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
实施例:参见图1-图9,一种基于服务分析的高耦合移动应用识别方法,所述方法包括以下步骤:
步骤(1)获取高耦合移动应用从启动开始到运行几十秒内的网络流量数据,并为网络流量数据打上应用标签;
步骤(2)设置时间长度t,将每个流量样本切分成相同时间长度的样本;
步骤(3)基于步骤(2)的结果,提取每个流量样本中移动应用访问的服务信息作为属性,形成属性空间;
步骤(4)基于步骤(3)的结果,根据属性空间生成特征向量,将特征向量和样本的标签组合,形成样例;
步骤(5)使用有监督的机器学习模型对步骤(4)得到的样例进行模型训练;
步骤(6)基于步骤(5)中模型生成的feature_importance对属性进行排序,使用包裹式方法对属性空间进行优化,得到新的属性空间;
步骤(7)基于步骤(6)中得到的新的属性空间生成特征向量,进一步生成样例;
步骤(8)基于步骤(5),对步骤(7)得到的样例进行模型训练;
重复步骤(5)-(8),直到模型的识别准确率开始降低时停止重复过程,得到优化的属性空间和最终的识别模型。
步骤(9)提取t秒新传入网络流量中移动应用访问的服务信息;
步骤(10)基于步骤(9)的结果,根据步骤(6)重复过程中得到的优化的属性空间生成特征向量;
步骤(11)使用步骤(8)中最终得到的识别模型识别步骤(10)中特征向量对应的移动应用。
本发明的一个实施例中,步骤(1)中,采集Google、Facebook、百度、腾讯四个应用家族的共计32个移动应用的网络流量数据。网络流量拓扑图如图2所示。由于服务的IP地址会受地址和时间等因素的影响,采集网络流量数据时选取了不同的城市,并且耗时5个月。在此期间,也跨越了移动应用的不同版本。此外,考虑到手机设备型号可能会对实验产生影响,因此,使用了不同品牌不同***型号的手机进行网络流量数据的采集。本实例中的32个移动应用以及各应用的样例数如表1所示。
表1:32个家族应用及样例数
本发明的一个实施例中,步骤(2)中,设置时间长度为t,每个流量样本都是高耦合移动应用从启动开始到运行共计t秒的网络流量数据。
本发明的一个实施例中,步骤(3)中,提取移动应用访问的服务信息并形成属性空间的步骤如下:
根据步骤(2)设置的时间长度t,提取流量样本t秒内移动应用访问的服务的信息,并将服务作为属性空间的属性,其中属性的格式为(IP:Port)和(DomainName:Port)。
本本发明的一个实施例中,步骤(4)中,构造特征向量并形成样例的方法如下:
(4.1)根据上述的属性空间生成每个流量样本的特征向量,格式如(1)所示
xi=(xi1;xi2;…;xid) (1)
其中,xij是样本xi在第j个属性上的取值,d是属性空间的维度。如果样本xi访问了第j个属性(即服务),xij取值为1,否则取值为0;
(4.2)将特征向量和移动应用的标签组合在一起形成样例(xi,yi),yi是样本xi对应的应用标签。
本发明的一个实施例中,步骤(5)中,使用机器学习模型对步骤(4.2)得到的带有标签的样例进行模型训练,得到分类模型的方法如下:
(5.1)将步骤(4.2)中得到的已标记的样本划分为训练集和测试集,比例为7:3,用于模型的训练;
(5.2)使用多个机器学习模型针对训练集进行模型训练。
(5.3)不同模型及不同时间长度对识别结果的影响。本案例针对不同机器学习模型和时间长度的大小进行了实验和分析。本案例采用了三种机器学习模型:随机森林(RF)、支持向量机(SVM)和K最邻近(KNN)。同时,将t分别设置为15s、20s、25s、30s进行了实验。附图3-图5的混淆矩阵表明,所使用的不同机器学习模型几乎可以实现完全识别高耦合移动应用。
附图6-图9分别为三种模型下在时间长度15s、20s、25s和30s下的识别性能。表2列出了不同模型在不同时间长度下的时间性能。在相同时间长度下,RF模型的训练时间虽然不是最佳的,但是测试时间却是最短的。移动应用识别的要求是快速且准确。因此,测试时间短是实现快速识别应用的前提。所以,经过对识别性能和时间性能的综合考量,使用随机森林模型并且时间长度t设置为25s时可以获得更好的识别性能。表3列出了随机森林模型下时间长度为25s的识别性能。
表2不同模型在不同时间长度下的时间性能
表3随机森林模型25s下的识别性能
表3显示,几乎所有类别的准确率都能达到98%以上。一般来说,来自同一服务或应用程序的流量更容易被混淆,但表中结果表明,本发明克服了这个困难。
本发明的一个实施例中,步骤(6)中,对属性空间进行优化的方法如下:
在模型训练过程中,对步骤(3)生成的属性空间使用包裹式方法进行迭代优化,降低属性空间的维度,根据步骤(5)中模型生成的feature_importance值降序对属性进行排序,剔除掉排序后的后50个属性,生成新的属性空间。
本发明的一个实施例中,步骤(7)中,根据新的属性空间生成特征向量和样例的方法和步骤(4)的方法相同。
本发明的一个实施例中,步骤(8)中,进行模型训练的方法和步骤(5)的方法相同,训练的样本是步骤(7)得到的样例。
本发明的一个实施例中,步骤(9)中,提取新传入网络流量中移动应用访问的服务信息的方法如下:
将时间长度t设置为和步骤(2)中相同的时间长度t,提取t秒网络流量内移动应用访问的服务的信息。
本发明的一个实施例中,步骤(10)中,生成特征向量的方法如下:
根据步骤(6)重复过程中得到的优化的属性空间,生成步骤(9)中流量数据对应的特征向量,特征向量格式同步骤(4)中特征向量的格式相同。
本发明的一个实施例中,步骤(11)中,识别特征向量对应移动应用的方法如下:
使用步骤(8)中最终得到的识别模型识别步骤(10)中特征向量对应的移动应用。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于服务分析的高耦合移动应用识别方法,其特征在于,该方法包括以下步骤:
步骤(1)获取高耦合移动应用从启动开始到运行几十秒内的网络流量数据,并为网络流量数据打上应用标签;
步骤(2)设置时间长度t,将每个流量样本切分成相同时间长度的样本;
步骤(3)基于步骤(2)的结果,提取每个流量样本中移动应用访问的服务信息作为属性,形成属性空间;
步骤(4)基于步骤(3)的结果,根据属性空间生成特征向量,将特征向量和样本的标签组成样例;
步骤(5)使用有监督的机器学习模型对步骤(4)得到的样例进行模型训练;
步骤(6)基于步骤(5)中模型生成的feature_importance对属性进行排序,使用包裹式方法对属性空间进行优化,得到新的属性空间;
步骤(7)基于步骤(6)中得到的新的属性空间生成特征向量,进一步生成样例;
步骤(8)基于步骤(5),对步骤(7)得到的样例进行模型训练;
重复步骤(5)-(8),直到模型的识别准确率开始降低时停止重复过程,得到优化的属性空间和最终的识别模型;
步骤(9)提取t秒新传入网络流量中移动应用访问的服务信息;
步骤(10)基于步骤(9)的结果,根据步骤(6)重复过程中得到的优化的属性空间生成特征向量;
步骤(11)使用步骤(8)中最终得到的识别模型识别步骤(10)中特征向量对应的移动应用。
2.根据权利要求1所述的一种基于服务分析的高耦合移动应用识别方法,其特征在于,步骤(1)中,获取原始流量数据的方法如下:
选定待识别的高耦合移动应用并捕获高耦合移动应用从启动开始到运行一段时间内的网络流量数据,并为网络流量数据打上应用标签,从而得到带标签的高耦合移动应用数据集。
3.根据权利要求1所述的一种基于服务分析的高耦合移动应用识别方法,其特征在于,步骤(2)中,获取相同时间长度的流量样本的方法如下:
设置时间长度为t,每个流量样本都是高耦合移动应用从启动开始到运行共计t秒的网络流量数据。
4.根据权利要求1所述的一种基于服务分析的高耦合移动应用识别方法,其特征在于,步骤(3)中,提取移动应用访问的服务信息并形成属性空间的方法如下:
根据步骤(2)设置的时间长度t,提取t秒流量样本内移动应用访问的服务的信息,并将服务作为属性空间的属性,其中属性的格式为(IP:Port)和(DomainName:Port)。
5.根据权利要求1所述的一种基于服务分析的高耦合移动应用识别方法,其特征在于,步骤(4)中,构造特征向量并形成样例的步骤如下:
(4.1)根据上述的属性空间生成每个流量样本的特征向量,格式如(1)所示
xi=(xi1;xi2;…;xid) (1)
其中,xij是样本xi在第j个属性上的取值,d是属性空间的维度,如果样本xi访问了第j个属性即服务,xij取值为1,否则取值为0;
(4.2)将特征向量和移动应用的标签组合在一起形成样例(xi,yi),yi是流量样本xi对应的应用标签。
6.根据权利要求1所述的一种基于服务分析的高耦合移动应用识别方法,其特征在于,步骤(5)中,使用机器学习模型对步骤(4.2)得到的带有标签的样例进行模型训练,得到识别模型的方法如下:
(5.1)将步骤(4.2)中得到的已标记的样本划分为训练集和测试集,比例为7:3,用于模型的训练;
(5.2)使用多个机器学习模型针对训练集进行模型训练。
7.根据权利要求1所述的一种基于服务分析的高耦合移动应用识别方法,其特征在于,步骤(6)中,对属性空间进行优化的方法如下:
在模型训练过程中,对步骤(3)生成的属性空间使用包裹式方法进行迭代优化,降低属性空间的维度,根据步骤(5)中模型生成的feature_importance值降序对属性进行排序,剔除掉排序后的后50个属性,生成新的属性空间。
8.根据权利要求1所述的一种基于服务分析的高耦合移动应用识别方法,其特征在于,步骤(9)中,提取t秒新传入网络流量中移动应用访问的服务信息的方法如下:
将时间长度t设置为和步骤(2)中相同的时间长度t,提取t秒网络流量内移动应用访问的服务的信息。
9.根据权利要求1所述的一种基于服务分析的高耦合移动应用识别方法,其特征在于,步骤(10)中,生成特征向量的方法如下:根据步骤(6)重复过程中得到的优化的属性空间,生成步骤(9)中流量数据对应的特征向量,特征向量格式同步骤(4)中特征向量的格式相同。
10.根据权利要求1所述的一种基于服务分析的高耦合移动应用识别方法,其特征在于,步骤(11)中,识别特征向量对应移动应用的方法如下:使用步骤(8)中最终得到的识别模型识别步骤(10)中特征向量对应的移动应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210623575.3A CN115065983A (zh) | 2022-06-02 | 2022-06-02 | 一种基于服务分析的高耦合移动应用识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210623575.3A CN115065983A (zh) | 2022-06-02 | 2022-06-02 | 一种基于服务分析的高耦合移动应用识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115065983A true CN115065983A (zh) | 2022-09-16 |
Family
ID=83199021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210623575.3A Pending CN115065983A (zh) | 2022-06-02 | 2022-06-02 | 一种基于服务分析的高耦合移动应用识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115065983A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109981474A (zh) * | 2019-03-26 | 2019-07-05 | 中国科学院信息工程研究所 | 一种面向应用软件的网络流量细粒度分类***及方法 |
WO2020119481A1 (zh) * | 2018-12-11 | 2020-06-18 | 深圳先进技术研究院 | 一种基于深度学习的网络流量分类方法、***及电子设备 |
CN114500387A (zh) * | 2022-02-14 | 2022-05-13 | 重庆邮电大学 | 基于机器学习的移动应用流量识别方法及*** |
-
2022
- 2022-06-02 CN CN202210623575.3A patent/CN115065983A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119481A1 (zh) * | 2018-12-11 | 2020-06-18 | 深圳先进技术研究院 | 一种基于深度学习的网络流量分类方法、***及电子设备 |
CN109981474A (zh) * | 2019-03-26 | 2019-07-05 | 中国科学院信息工程研究所 | 一种面向应用软件的网络流量细粒度分类***及方法 |
CN114500387A (zh) * | 2022-02-14 | 2022-05-13 | 重庆邮电大学 | 基于机器学习的移动应用流量识别方法及*** |
Non-Patent Citations (1)
Title |
---|
赵洋;余翔湛;郝科委;: "基于半监督学习的网络应用流识别研究", 智能计算机与应用, no. 02, 1 February 2020 (2020-02-01) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102035698B (zh) | 基于决策树分类算法的http隧道检测方法 | |
CN112988762B (zh) | 一种适用于失信单位的实时识别及预警方法 | |
CN111385297A (zh) | 无线设备指纹识别方法、***、设备及可读存储介质 | |
WO2020228527A1 (zh) | 数据流的分类方法和报文转发设备 | |
CN107633022A (zh) | 人员画像分析方法、装置及存储介质 | |
CN114157502A (zh) | 一种终端识别方法、装置、电子设备及存储介质 | |
CN112600793A (zh) | 一种基于机器学习的物联网设备分类识别方法及*** | |
CN115600128A (zh) | 一种半监督加密流量分类方法、装置及存储介质 | |
GB2569678A (en) | Automation of SQL tuning method and system using statistic SQL pattern analysis | |
CN102984242B (zh) | 一种应用协议的自动识别方法和装置 | |
CN109144837B (zh) | 一种支持精准服务推送的用户行为模式识别方法 | |
CN104410533A (zh) | 网络用户行为识别*** | |
CN104182470B (zh) | 一种基于svm的移动终端应用分类***和方法 | |
US20240022507A1 (en) | Information flow recognition method, network chip, and network device | |
CN115510331B (zh) | 一种基于闲置量聚合的共享资源匹配方法 | |
CN112003884B (zh) | 一种网络资产的采集和自然语言检索方法 | |
CN115065983A (zh) | 一种基于服务分析的高耦合移动应用识别方法 | |
Yang et al. | Unknown traffic identification based on deep adaptation networks | |
Wu et al. | Identifying potential standard essential patents based on text mining and generative topographic mapping | |
CN114925286B (zh) | 舆情数据处理方法及装置 | |
CN111211939A (zh) | 一种基于网络处理器实现流表高效计数的装置和方法 | |
CN114095383B (zh) | 网络流量采样方法、***和电子设备 | |
CN110263082B (zh) | 数据库的数据分布分析方法、装置、电子设备及存储介质 | |
CN101674192A (zh) | 一种基于流量统计的VoIP识别方法 | |
CN114285719A (zh) | 多idc环境中集中识别不同类网络设备的策略方法和*** |
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 |