CN118070850A - 数据中心网络流量生成方法、装置、介质及计算机程序 - Google Patents
数据中心网络流量生成方法、装置、介质及计算机程序 Download PDFInfo
- Publication number
- CN118070850A CN118070850A CN202410466658.5A CN202410466658A CN118070850A CN 118070850 A CN118070850 A CN 118070850A CN 202410466658 A CN202410466658 A CN 202410466658A CN 118070850 A CN118070850 A CN 118070850A
- Authority
- CN
- China
- Prior art keywords
- rule
- network traffic
- generation
- vector
- generation rule
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004590 computer program Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 51
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及数据处理技术领域,特别涉及一种数据中心网络流量生成方法、装置、介质及计算机程序,其中,方法包括:获取训练数据集,利用训练数据集训练生成器模型,其中,生成器模型用于生成每种生成规则与对应网络流量的相似度矩阵;将目标生成规则输入训练完成的生成器模型,生成器模型输出目标生成规则的相似度矩阵,利用目标生成规则的相似度矩阵生成目标生成规则对应的网络流量。由此,解决了相关技术中通过在网络设备上配置生成规则并收集符合该规则的流量,仅适用于能够下发规则并能够操纵交换机等网络设备的用户,且每次获取流量时需要重新部署规则并采集,存在操作复杂及适用性低等问题。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种数据中心网络流量生成方法、装置、介质及计算机程序。
背景技术
随着云计算、大数据分析和人工智能等技术的快速发展,数据中心在现代社会中扮演着至关重要的角色,不仅为企业提供了灵活的计算和存储资源,还为创新应用程序和服务的开发提供了支持。而数据中心的规模和复杂性还在不断增长,以满足日益增长的数据需求和技术挑战。
网络流量常被用于协助完成各类网络监测等任务,通常根据应用或者用户的要求被设定了一些需要遵守的规则,网络流量生成方法无论基于数学统计的方法还是深度学习方法,均只能从现有的流量中获取流量的特征并依据该特征生成符合该特征的流量。从本质上来说本质都是由网络报文生成网络报文。
然而在真实场景中,用户往往期待获取具备某些特征的流量。例如用户希望检测某特定服务器(例如特定ip)发出的数据包,或者用户只关注特定协议的报文(例如UDP(User Datagram Protocol,用户数据报协议))等。通过在网络设备上配置ACL(accesscontrol list,访问控制列表)规则并收集符合该规则的流量是相关技术中常用的方法。然而,这种方法仅适用于能够下发规则并能够操纵交换机等网络设备采集流量的用户,这常常意味着用户需要拥有网络集群的管理者,并且为了应对复杂多变的流量需求,使用者需要确认好所需流量对应的ACL规则,再在实际网络环境中部署并采集。
发明内容
本发明提供一种数据中心网络流量生成方法、装置、电子设备、介质及计算机程序,以解决相关技术中通过在网络设备上配置ACL规则并收集符合该规则的流量仅适用于能够下发规则并能够操纵交换机等网络设备的用户,且每次获取流量时需要重新部署规则并采集,存在操作复杂及适用性低等问题。
本发明第一方面实施例提供一种网络流量生成方法,包括以下步骤:获取训练数据集,其中,训练数据集包括多种生成规则和每种生成规则对应的网络流量;利用训练数据集训练生成器模型,其中,生成器模型用于生成每种生成规则与对应网络流量的相似度矩阵;将目标生成规则输入训练完成的生成器模型,生成器模型输出目标生成规则的相似度矩阵,利用目标生成规则的相似度矩阵生成目标生成规则对应的网络流量。
可选地,在本发明一个实施例中,利用训练数据集训练生成器模型,包括:对多种生成规则进行转换得到规则向量集合,并对每种生成规则对应的网络流量进行编码得到流量向量集合;关联每种生成规则对应的规则向量和每种生成规则对应的网络流量得到多个规则-流量对;利用多个规则-流量对训练生成器模型,直到满足预设条件停止训练。
可选地,在本发明一个实施例中,利用目标生成规则的相似度矩阵生成目标生成规则对应的网络流量,包括:将目标生成规则编码为第一向量;根据第一向量和相似度矩阵确定第二向量;对第二向量解码得到目标生成规则对应的网络流量。
可选地,在本发明一个实施例中,每种生成规则和每种生成规则对应的网络流量在高维空间的格式相同。
本发明第二方面实施例提供一种数据中心网络流量生成装置,包括:获取模块,用于获取训练数据集,其中,训练数据集包括多种生成规则和每种生成规则对应的网络流量;训练模块,用于利用训练数据集训练生成器模型,其中,生成器模型用于生成每种生成规则与对应网络流量的相似度矩阵;生成模块,用于将目标生成规则输入训练完成的生成器模型,生成器模型输出目标生成规则的相似度矩阵,利用目标生成规则的相似度矩阵生成目标生成规则对应的网络流量。
可选地,在本发明一个实施例中,训练模块,进一步用于:对多种生成规则进行转换得到规则向量集合,并对每种生成规则对应的网络流量进行编码得到流量向量集合;关联每种生成规则对应的规则向量和每种生成规则对应的网络流量得到多个规则-流量对;利用多个规则-流量对训练生成器模型,直到满足预设条件停止训练。
可选地,在本发明一个实施例中,生成模块,进一步用于:将目标生成规则编码为第一向量;根据第一向量和相似度矩阵确定第二向量;对第二向量解码得到目标生成规则对应的网络流量。
可选地,在本发明一个实施例中,每种生成规则和每种生成规则对应的网络流量在高维空间的格式相同。
本发明第三方面实施例提供一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序,以实现如上述实施例的数据中心网络流量生成方法。
本发明第四方面实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现如上述实施例的数据中心网络流量生成方法。
本发明第五方面实施例提供一种计算机程序,所述计算机程序被执行时,以用于实现如上述实施例的数据中心网络流量生成方法。
由此,本发明至少具有如下有益效果:
本发明实施例通过训练生成器模型,将流量规则与相应流量关联,并将其关联性通过相似性矩阵保存,训练完成后将目标生成规则输入训练完成的生成器模型,生成器模型输出目标生成规则的相似度矩阵,利用相似度矩阵即可生成目标生成规则对应的网络流量,用户不具备网络集群的管理权限,也可以获取复杂多样的网络流量。由此,解决了相关技术中通过在网络设备上配置生成规则并收集符合该规则的流量,仅适用于能够下发规则并能够操纵交换机等网络设备的用户,且每次获取流量时需要重新部署规则并采集,存在操作复杂及适用性低等问题。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例提供的一种数据中心网络流量生成方法的流程图;
图2为根据本发明一个实施例提供的规则-流量对的预训练模型;
图3为根据本发明一个实施例提供的流量及规则编码器结构图;
图4为根据本发明实施例提供的数据中心网络流量生成装置的示例图;
图5为根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的数据中心网络流量生成方法、装置、电子设备、存储介质及计算机程序。针对上述背景技术中提到的问题,本发明提供了一种网络流量生成方法,在该方法中,通过训练生成器模型,将流量规则与相应流量关联,并将其关联性通过相似性矩阵保存,训练完成后将目标生成规则输入训练完成的生成器模型,生成器模型输出目标生成规则的相似度矩阵,利用相似度矩阵即可生成目标生成规则对应的网络流量,用户不具备网络集群的管理权限,也可以获取复杂多样的网络流量。由此,解决了相关技术中通过在网络设备上配置生成规则并收集符合该规则的流量,仅适用于能够下发规则并能够操纵交换机等网络设备的用户,且每次获取流量时需要重新部署规则并采集,存在操作复杂及适用性低等问题。
具体而言,图1为本发明实施例所提供的一种数据中心网络流量生成方法的流程示意图。
如图1所示,该数据中心网络流量生成方法包括以下步骤:
在步骤S101中,获取训练数据集。
其中,训练数据集包括多种生成规则和每种生成规则对应的网络流量,在本发明实施例中,多种规则可以为按照ACL规则的书写格式定义好的规则,每种规则对应着相应的网络流量,例如:带有应用信息的广域网流量和数据中心流量、物联网设备流量、含网络攻击的流量等。在实际执行过程中,本发明实施例可以使用特定的网络流量规则对原始pcap数据进行处理,并生成遵循这些规则的网络流量。
在步骤S102中,利用训练数据集训练生成器模型,其中,生成器模型用于生成每种生成规则与对应网络流量的相似度矩阵。
可以理解的是,本发明实施例可以通过生成器训练模型,将流量规则与相应流量关联,并将其关联性通过相似性矩阵保存。其中,每种生成规则和每种生成规则对应的网络流量在高维空间的格式相同。
在本发明一个实施例中,利用训练数据集训练生成器模型,包括:对多种生成规则进行转换得到规则向量集合,并对每种生成规则对应的网络流量进行编码得到流量向量集合;关联每种生成规则对应的规则向量和每种生成规则对应的网络流量得到多个规则-流量对;利用多个规则-流量对训练生成器模型,直到满足预设条件停止训练。
本发明实施例的网络流量生成规则的网络流量生成方法从结构上可以分为两块:流量及规则的编码器模块,以及规则-流量对模型,其中,流量及规则的编码器模块的目的是将网络流量的生成规则(ACL规则)和网络流量向量化,并在高维空间建立统一的格式;规则-流量对模块利用CLIP(Contrastive Language-Image Pre-training,对比文本-图像对的预训练模型)建立ACL规则与数据序列包向量的关联,其模型本身是一个N×N矩阵,如图2所示。
具体而言,本身实施例的流量及规则的编码器模块结构上是一个常见的线性层作为分词器,以及一个编码器。如图3所示,规则和流量分别使用各自的线性层分词器和Transformer编码器生成向量。两个基于transformer的编码器具有63M参数,规则和流量在经过分词和转换之后分别生成规则向量集合和流量向量集合,并将它们映射到相同的潜空间,其中,N本领域技术人员可以根据实际情况进行设置,如设置为256,不做具体限定。
进一步地,本发明实施例可以关联每种生成规则对应的规则向量和每种生成规则对应的网络流量得到多个规则-流量对,利用多个规则-流量对训练生成器模型,直到满足预设条件后停止训练,并将编码后的多个规则-流量对输入到相似性矩阵中,并不断更新该矩阵参数。其中预设条件可以为和/>的余弦相似度达到最小值。
举例而言,在利用开源流量数据集训练模型时,本发明实施例可以通过去除TCP((Transmission Control Protocol,传输控制协议)流量后的流量集合与含义为“DenyTCP”的ACL规则建立联系。首先流量和ACL规则经过各自的分词器,根据各个字段的出现频率进行分词,ACL规则中的多个共有字段可能被训练为仅使用更少词就能表示的中间表示(分词器的训练过程)。之后中间表示将会进入编码器生成或者/>向量。最后由于流量和规则成对地输入生成器模型,在相似性矩阵中可以求出/>和/>两者每个维度的特征之间余弦相似度。随着多轮规则-流量对的输入,这个余弦相似矩阵在所有训练集上求得最低的总偏差值。
在步骤S103中,将目标生成规则输入训练完成的生成器模型,生成器模型输出目标生成规则的相似度矩阵,利用目标生成规则的相似度矩阵生成目标生成规则对应的网络流量。
不同于现有的流量生成方法的重点是学习输入流量的特征并输出具备类似特征的网络流量,本发明实施例可以直接训练规则和其约束下的流量之间的关联性。由于规则是一种类似自然语言的描述,而网络流量是满足协议格式的数字序列。因此本发明实施例可以提出在将两者各自分词、编码后在高维空间形成格式的统一,并使用相似矩阵保存两者的关联。用户想要输出目标规则约束下的网络流量时,只需将目标生成规则输入训练完成的生成器模型,即可输出目标生成规则对应的网络流量。
在实际执行过程中,本发明实施例可以收集其网络环境下的ACL规则和相应的流量,并将其两者分别代入到规则和流量的编码器中,并训练更符合其场景的相似性矩阵,并在后续使用中给出ACL规则,从而生成ACL规则所对应的流量。
作为另一种可能实现的方式,本发明实施例可以使用流量超分辨率模型生成数据包序列,用户将数据包的约束条件转换为ACL规则,并输入到生成器模型中,即可得到相应的网络流量。其中,树状的超分辨率模型是由一个个GTT模型组成的树状模型。
在本发明一个实施例中,利用目标生成规则的相似度矩阵生成目标生成规则对应的网络流量,包括:将目标生成规则编码为第一向量;根据第一向量和相似度矩阵确定第二向量;对第二向量解码得到目标生成规则对应的网络流量。
可以理解的事是,本发明实施例使用编码器将目标生成规则编码为第一向量,并通过使用相似度矩阵将第一向量转换为第二向量表示,通过解码器第二向量解码得到目标生成规则对应的网络流量。
根据本发明实施例提出的数据中心网络流量生成方法,通过训练生成器模型,将流量规则与相应流量关联,并将其关联性通过相似性矩阵保存,训练完成后将目标生成规则输入训练完成的生成器模型,生成器模型输出目标生成规则的相似度矩阵,利用相似度矩阵即可生成目标生成规则对应的网络流量,用户不具备网络集群的管理权限,也可以获取复杂多样的网络流量。由此,解决了相关技术中通过在网络设备上配置生成规则并收集符合该规则的流量,仅适用于能够下发规则并能够操纵交换机等网络设备的用户,且每次获取流量时需要重新部署规则并采集,存在操作复杂及适用性低等问题。
其次参照附图描述根据本发明实施例提出的数据中心网络流量生成装置。
图4是本发明实施例的数据中心网络流量生成装置10的方框示意图。
如图4所示,该数据中心网络流量生成装置10包括:获取模块100、训练模块200和生成模块300。
其中,获取模块100用于获取训练数据集,其中,训练数据集包括多种生成规则和每种生成规则对应的网络流量;训练模块200用于利用训练数据集训练生成器模型,其中,生成器模型用于生成每种生成规则与对应网络流量的相似度矩阵;生成模块300用于将目标生成规则输入训练完成的生成器模型,生成器模型输出目标生成规则的相似度矩阵,利用目标生成规则的相似度矩阵生成目标生成规则对应的网络流量。
在本发明一个实施例中,训练模块200进一步用于:对多种生成规则进行转换得到规则向量集合,并对每种生成规则对应的网络流量进行编码得到流量向量集合;关联每种生成规则对应的规则向量和每种生成规则对应的网络流量得到多个规则-流量对;利用多个规则-流量对训练生成器模型,直到满足预设条件停止训练。
在本发明一个实施例中,生成模块300进一步用于:将目标生成规则编码为第一向量;根据第一向量和相似度矩阵确定第二向量;对第二向量解码得到目标生成规则对应的网络流量。
在本发明一个实施例中,每种生成规则和每种生成规则对应的网络流量在高维空间的格式相同。
需要说明的是,前述对数据中心网络流量生成方法实施例的解释说明也适用于该实施例的数据中心网络流量生成装置,此处不再赘述。
根据本发明实施例提出的数据中心网络流量生成装置,通过训练生成器模型,将流量规则与相应流量关联,并将其关联性通过相似性矩阵保存,训练完成后将目标生成规则输入训练完成的生成器模型,生成器模型输出目标生成规则的相似度矩阵,利用相似度矩阵即可生成目标生成规则对应的网络流量,用户不具备网络集群的管理权限,也可以获取复杂多样的网络流量。由此,解决了相关技术中通过在网络设备上配置生成规则并收集符合该规则的流量,仅适用于能够下发规则并能够操纵交换机等网络设备的用户,且每次获取流量时需要重新部署规则并采集,存在操作复杂及适用性低等问题。
图5为本发明实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
处理器502执行程序时实现上述实施例中提供的数据中心网络流量生成方法。
进一步地,电子设备还包括:
通信接口503,用于存储器501和处理器502之间的通信。
存储器501,用于存放可在处理器502上运行的计算机程序。
存储器501可能包含高速RAM(Random Access Memory,随机存取存储器)存储器,也可能还包括非易失性存储器,例如至少一个磁盘存储器。
如果存储器501、处理器502和通信接口503独立实现,则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral Component,外部设备互连)总线或EISA(Extended Industry Standard Architecture,扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器501、处理器502及通信接口503,集成在一块芯片上实现,则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
处理器502可能是一个CPU(Central Processing Unit,中央处理器),或者是ASIC(Application Specific Integrated Circuit,特定集成电路),或者是被配置成实施本发明实施例的一个或多个集成电路。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的数据中心网络流量生成方法。
本发明实施例还提供一种计算机程序,所述计算机程序被执行时,以用于实现如上述实施例的数据中心网络流量生成方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合的
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列,现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种数据中心网络流量生成方法,其特征在于,包括以下步骤:
获取训练数据集,其中,所述训练数据集包括多种生成规则和每种生成规则对应的网络流量;
利用所述训练数据集训练生成器模型,其中,所述生成器模型用于生成每种生成规则与对应网络流量的相似度矩阵;
将目标生成规则输入训练完成的生成器模型,所述生成器模型输出所述目标生成规则的相似度矩阵,利用所述目标生成规则的相似度矩阵生成所述目标生成规则对应的网络流量。
2.根据权利要求1所述的数据中心网络流量生成方法,其特征在于,所述利用所述训练数据集训练生成器模型,包括:
对所述多种生成规则进行转换得到规则向量集合,并对所述每种生成规则对应的网络流量进行编码得到流量向量集合;
关联所述每种生成规则对应的规则向量和所述每种生成规则对应的网络流量得到多个规则-流量对;
利用所述多个规则-流量对训练所述生成器模型,直到满足预设条件停止训练。
3.根据权利要求1所述的数据中心网络流量生成方法,其特征在于,所述利用所述目标生成规则的相似度矩阵生成所述目标生成规则对应的网络流量,包括:
将所述目标生成规则编码为第一向量;
根据所述第一向量和所述相似度矩阵确定第二向量;
对所述第二向量解码得到所述目标生成规则对应的网络流量。
4.根据权利要求1所述的数据中心网络流量生成方法,其特征在于,所述每种生成规则和所述每种生成规则对应的网络流量在高维空间的格式相同。
5.一种数据中心网络流量生成装置,其特征在于,包括:
获取模块,用于获取训练数据集,其中,所述训练数据集包括多种生成规则和每种生成规则对应的网络流量;
训练模块,用于利用所述训练数据集训练生成器模型,其中,所述生成器模型用于生成每种生成规则与对应网络流量的相似度矩阵;
生成模块,用于将目标生成规则输入训练完成的生成器模型,所述生成器模型输出所述目标生成规则的相似度矩阵,利用所述目标生成规则的相似度矩阵生成所述目标生成规则对应的网络流量。
6.根据权利要求5所述的数据中心网络流量生成装置,所述训练模块,进一步用于:
对所述多种生成规则进行转换得到规则向量集合,并对所述每种生成规则对应的网络流量进行编码得到流量向量集合;
关联所述每种生成规则对应的规则向量和所述每种生成规则对应的网络流量得到多个规则-流量对;
利用所述多个规则-流量对训练所述生成器模型,直到满足预设条件停止训练。
7.根据权利要求5所述的数据中心网络流量生成装置,其特征在于,所述生成模块,进一步用于:
将所述目标生成规则编码为第一向量;
根据所述第一向量和所述相似度矩阵确定第二向量;
对所述第二向量解码得到所述目标生成规则对应的网络流量。
8.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-4任一项所述的数据中心网络流量生成方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-4任一项所述的数据中心网络流量生成方法。
10.一种计算机程序,其特征在于,所述计算机程序被执行时,以用于实现权利要求1-4任一项所述的数据中心网络流量生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410466658.5A CN118070850B (zh) | 2024-04-18 | 2024-04-18 | 数据中心网络流量生成方法、装置、介质及计算机程序 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410466658.5A CN118070850B (zh) | 2024-04-18 | 2024-04-18 | 数据中心网络流量生成方法、装置、介质及计算机程序 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118070850A true CN118070850A (zh) | 2024-05-24 |
CN118070850B CN118070850B (zh) | 2024-06-18 |
Family
ID=91102453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410466658.5A Active CN118070850B (zh) | 2024-04-18 | 2024-04-18 | 数据中心网络流量生成方法、装置、介质及计算机程序 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118070850B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022960A (zh) * | 2015-08-10 | 2015-11-04 | 济南大学 | 基于网络流量的多特征移动终端恶意软件检测方法及*** |
WO2015184611A1 (zh) * | 2014-06-05 | 2015-12-10 | 华为技术有限公司 | 网络设备、网络业务预测装置和方法 |
CN113364752A (zh) * | 2021-05-27 | 2021-09-07 | 鹏城实验室 | 一种流量异常检测方法、检测设备及计算机可读存储介质 |
CN113726545A (zh) * | 2021-06-23 | 2021-11-30 | 清华大学 | 基于知识增强生成对抗网络的网络流量生成方法及装置 |
CN113905391A (zh) * | 2021-09-27 | 2022-01-07 | 湖北工业大学 | 集成学习网络流量预测方法、***、设备、终端、介质 |
CN114006870A (zh) * | 2021-10-29 | 2022-02-01 | 西安热工研究院有限公司 | 一种基于自监督卷积子空间聚类网络的网络流量识别方法 |
WO2022035276A1 (en) * | 2020-08-13 | 2022-02-17 | Samsung Electronics Co., Ltd. | Transfer learning of network traffic prediction model among cellular base stations |
CN114362988A (zh) * | 2021-09-29 | 2022-04-15 | 中国科学院计算机网络信息中心 | 网络流量的识别方法及装置 |
US20220385635A1 (en) * | 2021-05-27 | 2022-12-01 | Palo Alto Networks, Inc. | Combined machine learning and formal techniques for network traffic analysis |
CN116743635A (zh) * | 2023-08-14 | 2023-09-12 | 北京大学深圳研究生院 | 一种网络预测与调控方法及网络调控*** |
WO2023207548A1 (zh) * | 2022-04-29 | 2023-11-02 | 北京火山引擎科技有限公司 | 一种流量检测方法、装置、设备及存储介质 |
-
2024
- 2024-04-18 CN CN202410466658.5A patent/CN118070850B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015184611A1 (zh) * | 2014-06-05 | 2015-12-10 | 华为技术有限公司 | 网络设备、网络业务预测装置和方法 |
CN105022960A (zh) * | 2015-08-10 | 2015-11-04 | 济南大学 | 基于网络流量的多特征移动终端恶意软件检测方法及*** |
WO2022035276A1 (en) * | 2020-08-13 | 2022-02-17 | Samsung Electronics Co., Ltd. | Transfer learning of network traffic prediction model among cellular base stations |
CN113364752A (zh) * | 2021-05-27 | 2021-09-07 | 鹏城实验室 | 一种流量异常检测方法、检测设备及计算机可读存储介质 |
US20220385635A1 (en) * | 2021-05-27 | 2022-12-01 | Palo Alto Networks, Inc. | Combined machine learning and formal techniques for network traffic analysis |
CN113726545A (zh) * | 2021-06-23 | 2021-11-30 | 清华大学 | 基于知识增强生成对抗网络的网络流量生成方法及装置 |
CN113905391A (zh) * | 2021-09-27 | 2022-01-07 | 湖北工业大学 | 集成学习网络流量预测方法、***、设备、终端、介质 |
CN114362988A (zh) * | 2021-09-29 | 2022-04-15 | 中国科学院计算机网络信息中心 | 网络流量的识别方法及装置 |
CN114006870A (zh) * | 2021-10-29 | 2022-02-01 | 西安热工研究院有限公司 | 一种基于自监督卷积子空间聚类网络的网络流量识别方法 |
WO2023207548A1 (zh) * | 2022-04-29 | 2023-11-02 | 北京火山引擎科技有限公司 | 一种流量检测方法、装置、设备及存储介质 |
CN116743635A (zh) * | 2023-08-14 | 2023-09-12 | 北京大学深圳研究生院 | 一种网络预测与调控方法及网络调控*** |
Non-Patent Citations (2)
Title |
---|
李莹琦;黄越;孙晓川;: "基于深度置信回声状态网络的网络流量预测模型", 南京邮电大学学报(自然科学版), no. 05, 13 November 2018 (2018-11-13) * |
陆明燕;田素诚;: "大规模网络线路数据流量并行预测方法仿真", 计算机仿真, no. 08, 15 August 2018 (2018-08-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN118070850B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3992976A1 (en) | Compound property prediction method and apparatus, and computer device and readable storage medium | |
CN111324696B (zh) | 实体抽取方法、实体抽取模型的训练方法、装置及设备 | |
CN113222150A (zh) | 一种量子态的变换方法及装置 | |
CN109697083B (zh) | 数据的定点化加速方法、装置、电子设备及存储介质 | |
JP2022103136A (ja) | 画像処理の方法、デバイス及びコンピュータ可読記憶媒体 | |
CN112765481B (zh) | 一种数据处理方法、装置、计算机及可读存储介质 | |
CN118070850B (zh) | 数据中心网络流量生成方法、装置、介质及计算机程序 | |
CN116668351A (zh) | 服务质量预测方法、装置、计算机设备及存储介质 | |
CN116843991A (zh) | 模型训练方法、信息生成方法、装置、设备和介质 | |
CN112948582B (zh) | 一种数据处理方法、装置、设备以及可读介质 | |
CN115168609A (zh) | 一种文本匹配方法、装置、计算机设备和存储介质 | |
CN114462592A (zh) | 模型训练方法、装置、电子设备及计算机可读存储介质 | |
CN114299517A (zh) | 图像处理方法、装置、设备、存储介质及计算机程序产品 | |
CN112149426A (zh) | 阅读任务处理方法及相关设备 | |
CN110517335B (zh) | 一种动态纹理视频生成方法、装置、服务器及存储介质 | |
CN114584476A (zh) | 一种流量预测方法、网络训练方法、装置及电子设备 | |
CN114528893A (zh) | 机器学习模型训练方法、电子设备及存储介质 | |
CN118095358B (zh) | 数据中心网络流量超分辨率的生成方法、装置及程序 | |
US11789894B2 (en) | Acceleration system and dynamic configuration method thereof | |
CN111597211B (zh) | 一种数据流图处理方法、装置、设备以及可读存储介质 | |
CN113836438B (zh) | 用于帖子推荐的方法、电子设备和存储介质 | |
CN113810212B (zh) | 5g切片用户投诉的根因定位方法及装置 | |
EP4328807A1 (en) | Method and apparatus for adaptating to quantum computing platform, and quantum computer operating system | |
Ghedass et al. | Modeling Big Data-centric Services using Knowledge Graphs | |
CN117555898A (zh) | 数据构造方法、***及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |