JP7413515B2

JP7413515B2 - データストリーム分類方法および関連デバイス

Info

Publication number: JP7413515B2
Application number: JP2022516688A
Authority: JP
Inventors: 俊 ▲呉▼; 新宇胡; 雅莉王; ▲暁▼云司
Original assignee: Huawei Technologies Co Ltd
Current assignee: Huawei Technologies Co Ltd
Priority date: 2019-09-16
Filing date: 2020-09-16
Publication date: 2024-01-15
Anticipated expiration: 2040-09-16
Also published as: CN114465962A; WO2021052379A1; US20220210082A1; EP4024791A1; CN114465962B; EP4024791A4; EP4024791B1; JP2022548136A; KR20220053658A; CN112511457A; BR112022004814A2; CN112511457B; US11838215B2

Description

本発明は、コンピュータ技術の分野および通信分野に関し、さらに、コンピュータ技術の分野および通信分野における、人工知能（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）の適用に関し、詳細には、データストリーム分類方法および関連デバイスに関する。

コンピュータ技術の急速な発展に伴い、より多くの企業が、業務のために、デスクトップクラウド、音声会議、ビデオ会議などの、プライベートオフィスアプリケーションを使用している。適切にサービストラフィックを配置し、サービス信頼性を向上させるために、ＱｏＳプライオリティおよびリアルタイムルーティングなどの適切な構成が、通常は必要とされる。しかしながら、ＱｏＳプライオリティおよびリアルタイムルーティングなどの適切な構成のためには、現在のオフィスアプリケーションが属するアプリケーションタイプ（すなわち、データストリームクラス）が、最初に獲得される必要がある。

現在、オフィスアプリケーションのタイプを獲得するために、以下の２つの方式が、主に使用されている。第１の方式は、手動分類に基づき、アプリケーションタイプを分類するために、ネットワークトラフィック内の（ヘッダデータまたはペイロードデータなどを含む）キーワードを照合するためのルールを主に手動で構成するものである。しかしながら、手動分類は、時間がかかり、労力がかかる。加えて、クラウドベースの企業オフィスアプリケーションによってもたらされるダイナミクスに伴い、セキュリティ目的で、送信暗号化が、通常は実行される。その結果、アプリケーションタイプのための分類ルールを手動で設定することは、困難であり、したがって、アプリケーションタイプを分類することは、困難である。第２の方式は、オフライン学習に基づき、主に、サンプルデータを事前収集し、サンプルデータを、手動で、またはサードパーティツールを使用することによって、ラベリングし、機械学習アルゴリズムまたはニューラルネットワークアルゴリズムを使用することによって、ラベリングされたサンプルデータに基づいて、モデルをオフラインでトレーニングし、オフラインでトレーニングされたモデルを使用することによって、現在のネットワークトラフィックのアプリケーションタイプを推論するものである。しかしながら、企業アプリケーションが、変更または更新されるたびに、トレーニングされたモデルは、もはや適用され得ない。加えて、プライベートアプリケーションは、標準化された方式で、実施されず、同じタイプのアプリケーションに適用可能なモデルが、異なる企業間においては、様々である。言い換えると、上述のトレーニングされたモデルが、変更もしくは更新されたアプリケーション、または別の企業のアプリケーションのタイプ分類に適用されたとき、分類精度は、低くなり得る。

オフィスアプリケーションの（データストリームクラスとも呼ばれる）アプリケーションタイプを、どのようにして迅速および正確に分類するかは、当業者によって研究されている技術的課題である。

本発明の実施形態は、データストリームクラスをより正確に分類するための、データストリーム分類方法および関連デバイスを開示する。

第１の態様によれば、本出願の実施形態は、データストリーム分類方法を提供する。方法は、
現在のデータストリームのパケット特徴と、挙動分類モデルとに基づいて、現在のデータストリームについてのものであり、少なくとも１つのデータストリームクラスに対応する、少なくとも１つの第１の信頼度を獲得するステップであって、挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいて、獲得される、モデルであり、パケット特徴は、パケット長、パケット送信速度、パケット時間間隔、およびパケット方向のうちの１つまたは複数を含む、ステップと、
現在のデータストリームの特徴情報と、内容分類モデルとに基づいて、現在のデータストリームについてのものであり、少なくとも１つのデータストリームクラスに対応する、少なくとも１つの第２の信頼度を獲得するステップであって、特徴情報は、送信先アドレスと、プロトコルタイプとを含み、内容分類モデルは、１つまたは複数の過去のデータストリームの特徴情報およびデータストリームクラスに基づいて、獲得される、モデルであり、過去のデータストリームのデータストリームクラスは、挙動分類モデルに基づいて、獲得される、ステップと、
現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定するステップと
を含む。

上述の方法においては、挙動分類モデルおよび内容分類モデルが、関与させられる。挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいた、トレーニングを通して事前獲得され、内容分類モデルは、データストリームの特徴情報と、データストリームについてのものであり、挙動モデルを使用することによって分類された、データストリームクラスとに基づいた、トレーニングを通して獲得される。したがって、内容分類モデルは、オンライン学習モデルである。挙動分類モデルは、いくつかの基本的な（または典型的な）データストリームのデータストリームクラスを分類することができる。同じクラスのデータストリームの（パケット長およびパケット送信速度などの）いくつかの特徴は、その後の送信処理において、変化することがある。したがって、挙動分類モデルを使用することによって、データストリーム送信処理において、データストリームのデータストリームクラスを分類する際の、誤りを低減するために、データストリームのクラスは、内容分類モデルのオンライン学習特性と組み合わせて、（送信先アドレスおよびプロトコルタイプなどの）他の点に関して、分類される。結果として、本出願においては、挙動分類モデルと内容分類モデルが組み合わされた分類方式が、データストリームのデータストリームクラスを分類する精度を向上させ、分類汎用性を向上させるために、使用され、クラウドベースのアプリケーション展開、アプリケーション送信暗号化、およびプライベートアプリケーションなどの、複数のシナリオに適用されることができる。

第１の態様を参照すると、第１の態様の第１の可能な実装においては、現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定するステップは、
第１のデータストリームクラスに対応する総合的な信頼度を、第１のデータストリームクラスに対応する第１の信頼度と、第１の信頼度の重み値と、第１のデータストリームクラスに対応する第２の信頼度と、第２の信頼度の重み値とに基づいて、計算するステップであって、第１のデータストリームクラスは、少なくとも１つのデータストリームクラスのうちのいずれか１つである、ステップと、
第１のデータストリームクラスに対応する総合的な信頼度が、第１の事前設定されたしきい値よりも大きい場合、現在のデータストリームのデータストリームクラスは、第１のデータストリームクラスであると決定するステップと
を含む。

上述の方法においては、内容分類モデルおよび挙動分類モデルに対して、信頼度の重みが、最終的な分類結果に対する２つのモデルの影響の度合いに基づいて、事前に、別々に構成される（挙動分類モデルのために構成される重みは、第１の信頼度の重みであり、内容分類モデルのために構成される重みは、第２の信頼度の重みである）。したがって、２つの信頼度の重みに基づいて計算される総合的な信頼度は、現在のデータストリームの実際のクラスをより良好に反映することができる。加えて、データストリームクラスを決定する効率および精度が、向上させられることができるように、対応するデータストリームクラスが望ましいかどうかを測定するための、第１の事前設定されたしきい値が、導入される。

第１の態様または第１の態様の上述の可能な実装を参照すると、第１の態様の第２の可能な実装においては、方法は、
第１のデータストリームクラスに対応する総合的な信頼度が、第２の事前設定されたしきい値よりも小さい場合、現在のデータストリームの特徴情報、および第１のデータストリームクラスについての情報を、デバイスに送信するステップであって、第２の事前設定されたしきい値は、第１の事前設定されたしきい値よりも大きい、ステップと、
デバイスによって送信された第１の情報を受信するステップであって、第１の情報は、現在のデータストリームの特徴情報と、第１のデータストリームクラスの識別情報とに基づいて、デバイスによって獲得される、ステップと、
新しい内容分類モデルを獲得するために、内容分類モデルを、第１の情報に基づいて、更新するステップと
をさらに含む。

第１の態様または第１の態様の上述の可能な実装のうちのいずれか１つを参照すると、第１の態様の第３の可能な実装においては、方法は、
第１のデータストリームクラスに対応する総合的な信頼度が、第２の事前設定されたしきい値よりも小さい場合、新しい内容分類モデルを獲得するために、内容分類モデルを、現在のデータストリームの特徴情報と、第１のデータストリームクラスについての情報とに基づいて、更新するステップであって、第２の事前設定されたしきい値は、第１の事前設定されたしきい値よりも大きい、ステップ
をさらに含む。

上述の方法においては、内容分類モデルは、現在のデータストリームのデータストリームクラスの決定結果を使用することによって訂正される。具体的には、第２の事前設定されたしきい値が、導入される。第１のデータストリームクラスに対応する総合的な信頼度が、第２の事前設定されたしきい値よりも小さいとき、次の決定結果がより正確になるように、新しい内容分類モデルを獲得するために、現在のデータストリームの関連情報が、トレーニングを実行するためのデバイスに送信される。

第１の態様または第１の態様の上述の可能な実装のうちのいずれか１つを参照すると、第１の態様の第４の可能な実装においては、新しい内容分類モデルを獲得するために、内容分類モデルを、現在のデータストリームの特徴情報と、第１のデータストリームクラスについての情報とに基づいて、更新するステップは、
複数のレコードのうちの第１のレコードの特徴情報は、現在のデータストリームの特徴情報と同じであるが、第１のレコードのデータストリームクラスは、第１のデータストリームクラスと異なる場合、第２のレコードを獲得するために、第１のレコードのデータストリームクラスを、第１のデータストリームクラスに更新するステップであって、複数のレコードの各々は、特徴情報と、データストリームクラスとを含む、ステップと、
新しい内容分類モデルを獲得するために、第２のレコードを含む複数のレコードをトレーニングするステップと
を含む。

すなわち、分類されるレコードにおいては、過去のデータストリームの特徴情報は、現在のデータストリームの特徴情報と同じであるが、過去のデータストリームのデータストリームクラスは、現在のデータストリームの第１のデータストリームクラスと異なる場合、レコードにおけるデータストリームクラスは、現在のデータストリームの第１のデータストリームクラスになるように、更新される。これは、主に、クラウドリソースの弾力的な展開に適応するためである。例えば、同じクラウドリソースが、以前の時間期間においては、ビデオ会議のために使用され、次の時間期間においては、デスクトップクラウドのために使用される。上述の方法によれば、クラウドリソースが、弾力的に展開されたときに、現在のデータストリームのデータストリームクラスが、依然として正確に分類されることができるように、データストリームクラスは、次の時間期間には、タイムリな方式で、デスクトップクラウドになるように更新されることができる。

第１の態様または第１の態様の上述の可能な実装のうちのいずれか１つを参照すると、第１の態様の第５の可能な実装においては、現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定した後、方法は、
現在のデータストリームのデータストリームクラスについての情報を、運用支援システムＯＳＳに送信するステップであって、現在のデータストリームのデータストリームクラスについての情報は、現在のデータストリームのためのトラフィック制御ポリシを生成するために、ＯＳＳによって、使用される、ステップ
をさらに含む。

すなわち、現在のデータストリームのデータストリームクラスが、決定された後、現在のデータストリームのデータストリームクラスの関連情報が、ＯＳＳシステムに通知される。このように、ＯＳＳシステムは、現在のデータストリームのためのトラフィック制御ポリシを、現在のデータストリームのデータストリームクラスに基づいて、生成することができる。例えば、現在のデータストリームの第１のデータストリームクラスが、ビデオ会議のビデオストリームであるとき、現在のデータストリームに対応するトラフィック制御ポリシは、優先送信のポリシとして定義され、すなわち、複数のデータストリームが、送信されるべきとき、現在のデータストリームが、優先的に送信される。

第１の態様または第１の態様の上述の可能な実装のうちのいずれか１つを参照すると、第１の態様の第６の可能な実装においては、パケット長は、パケット内のイーサネットフレーム長、ＩＰ長、トランスポートプロトコル長、およびヘッダ長のうちの１つまたは複数を含み、トランスポートプロトコルは、伝送制御プロトコルＴＣＰ、および／またはユーザデータグラムプロトコルＵＤＰを含む。

第２の態様によれば、本出願の実施形態は、データストリーム分類方法を提供する。方法は、
現在のデータストリームについてのものであり、デバイスによって送信された、特徴情報およびデータストリームクラスについての情報を受信するステップと、
第１の情報を、現在のデータストリームについてのものである、特徴情報およびデータストリームクラスについての情報に基づいて、生成するステップと、
内容分類モデルを更新するために、第１の情報を、デバイスに送信するステップであって、内容分類モデルは、少なくとも１つのデータストリームクラスに対応する少なくとも１つの第２の信頼度を獲得するために使用され、内容分類モデルは、１つまたは複数の過去のデータストリームの特徴情報およびデータストリームクラスに基づいて、獲得される、モデルであり、過去のデータストリームのデータストリームクラスは、挙動分類モデルに基づいて、獲得され、挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいて、獲得される、モデルであり、パケット特徴は、パケット長、パケット送信速度、パケット時間間隔、およびパケット方向のうちの１つまたは複数を含む、ステップと
を含む。

第３の態様によれば、本出願の実施形態は、メモリと、プロセッサとを含む、データストリーム分類デバイスを提供し、メモリは、コンピュータプログラムを記憶するように構成され、プロセッサは、以下の動作、すなわち、
現在のデータストリームのパケット特徴と、挙動分類モデルとに基づいて、現在のデータストリームについてのものであり、少なくとも１つのデータストリームクラスに対応する、少なくとも１つの第１の信頼度を獲得することであって、挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいて、獲得される、モデルであり、パケット特徴は、パケット長、パケット送信速度、パケット時間間隔、およびパケット方向のうちの１つまたは複数を含むことと、
現在のデータストリームの特徴情報と、内容分類モデルとに基づいて、現在のデータストリームについてのものであり、少なくとも１つのデータストリームクラスに対応する、少なくとも１つの第２の信頼度を獲得することであって、特徴情報は、送信先アドレスと、プロトコルタイプとを含み、内容分類モデルは、１つまたは複数の過去のデータストリームの特徴情報およびデータストリームクラスに基づいて、獲得される、モデルであり、過去のデータストリームのデータストリームクラスは、挙動分類モデルに基づいて、獲得されることと、
現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定することと
を実行するために、コンピュータプログラムを呼び出す。

上述のデバイスにおいては、挙動分類モデルおよび内容分類モデルが、関与させられる。挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいた、トレーニングを通して事前獲得され、内容分類モデルは、データストリームの特徴情報と、データストリームについてのものであり、挙動モデルを使用することによって分類された、データストリームクラスとに基づいた、トレーニングを通して獲得される。したがって、内容分類モデルは、オンライン学習モデルである。挙動分類モデルは、いくつかの基本的な（または典型的な）データストリームのデータストリームクラスを分類することができる。同じクラスのデータストリームの（パケット長およびパケット送信速度などの）いくつかの特徴は、その後の送信処理において、変化することがある。したがって、挙動分類モデルを使用することによって、データストリーム送信処理において、データストリームのデータストリームクラスを分類する際の、誤りを低減するために、データストリームのクラスは、内容分類モデルのオンライン学習特性と組み合わせて、（送信先アドレスおよびプロトコルタイプなどの）他の点に関して、分類される。結果として、本出願においては、挙動分類モデルと内容分類モデルが組み合わされた分類方式が、データストリームのデータストリームクラスを分類する精度を向上させ、分類汎用性を向上させるために、使用され、クラウドベースのアプリケーション展開、アプリケーション送信暗号化、およびプライベートアプリケーションなどの、複数のシナリオに適用されることができる。

第３の態様を参照すると、第３の態様の第１の可能な実装においては、現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定することは、具体的には、
第１のデータストリームクラスに対応する総合的な信頼度を、第１のデータストリームクラスに対応する第１の信頼度と、第１の信頼度の重み値と、第１のデータストリームクラスに対応する第２の信頼度と、第２の信頼度の重み値とに基づいて、計算することであって、第１のデータストリームクラスは、少なくとも１つのデータストリームクラスのうちのいずれか１つであることと、
第１のデータストリームクラスに対応する総合的な信頼度が、第１の事前設定されたしきい値よりも大きい場合、現在のデータストリームのデータストリームクラスは、第１のデータストリームクラスであると決定すること
である。

上述の動作においては、内容分類モデルおよび挙動分類モデルに対して、信頼度の重みが、最終的な分類結果に対する２つのモデルの影響の度合いに基づいて、事前に、別々に構成される（挙動分類モデルのために構成される重みは、第１の信頼度の重みであり、内容分類モデルのために構成される重みは、第２の信頼度の重みである）。したがって、２つの信頼度の重みに基づいて計算される総合的な信頼度は、現在のデータストリームの実際のクラスをより良好に反映することができる。加えて、データストリームクラスを決定する効率および精度が、向上させられることができるように、対応するデータストリームクラスが望ましいかどうかを測定するための、第１の事前設定されたしきい値が、導入される。

第３の態様または第３の態様の上述の可能な実装を参照すると、第３の態様の第２の可能な実装においては、デバイスは、送受信機をさらに含み、プロセッサは、
第１のデータストリームクラスに対応する総合的な信頼度が、第２の事前設定されたしきい値よりも小さい場合、現在のデータストリームの特徴情報、および第１のデータストリームクラスについての情報を、送受信機によって別のデバイスに送信することであって、第２の事前設定されたしきい値は、第１の事前設定されたしきい値よりも大きいことと、
別のデバイスによって送信された第１の情報を、送受信機によって受信することであって、第１の情報は、現在のデータストリームの特徴情報と、第１のデータストリームクラスの識別情報とに基づいて、別のデバイスによって獲得されることと、
新しい内容分類モデルを獲得するために、内容分類モデルを、第１の情報に基づいて、更新することと
を行うようにさらに構成される。

第３の態様または第３の態様の上述の可能な実装のうちのいずれか１つを参照すると、第３の態様の第３の可能な実装においては、プロセッサは、
第１のデータストリームクラスに対応する総合的な信頼度が、第２の事前設定されたしきい値よりも小さい場合、新しい内容分類モデルを獲得するために、内容分類モデルを、現在のデータストリームの特徴情報と、第１のデータストリームクラスについての情報とに基づいて、更新することであって、第２の事前設定されたしきい値は、第１の事前設定されたしきい値よりも大きいこと
を行うようにさらに構成される。

上述のデバイスにおいては、内容分類モデルは、現在のデータストリームのデータストリームクラスの決定結果を使用することによって訂正される。具体的には、第２の事前設定されたしきい値が、導入される。第１のデータストリームクラスに対応する総合的な信頼度が、第２の事前設定されたしきい値よりも小さいとき、次の決定結果がより正確になるように、新しい内容分類モデルを獲得するために、現在のデータストリームの関連情報が、トレーニングを実行するためのデバイスに送信される。

第３の態様または第３の態様の上述の可能な実装のうちのいずれか１つを参照すると、第３の態様の第４の可能な実装においては、新しい内容分類モデルを獲得するために、内容分類モデルを、現在のデータストリームの特徴情報と、第１のデータストリームクラスについての情報とに基づいて、更新することは、具体的には、
複数のレコードのうちの第１のレコードの特徴情報は、現在のデータストリームの特徴情報と同じであるが、第１のレコードのデータストリームクラスは、第１のデータストリームクラスと異なる場合、第２のレコードを獲得するために、第１のレコードのデータストリームクラスを、第１のデータストリームクラスに更新することであって、複数のレコードの各々は、特徴情報と、データストリームクラスとを含むことと、
新しい内容分類モデルを獲得するために、第２のレコードを含む複数のレコードをトレーニングすること
である。

すなわち、分類されるレコードにおいては、過去のデータストリームの特徴情報は、現在のデータストリームの特徴情報と同じであるが、過去のデータストリームのデータストリームクラスは、現在のデータストリームの第１のデータストリームクラスと異なる場合、レコードにおけるデータストリームクラスは、現在のデータストリームの第１のデータストリームクラスになるように、更新される。これは、主に、クラウドリソースの弾力的な展開に適応するためである。例えば、同じクラウドリソースが、以前の時間期間においては、ビデオ会議のために使用され、次の時間期間においては、デスクトップクラウドのために使用される。上述のデバイスによれば、クラウドリソースが、弾力的に展開されたときに、現在のデータストリームのデータストリームクラスが、依然として正確に分類されることができるように、データストリームクラスは、次の時間期間には、タイムリな方式で、デスクトップクラウドになるように更新されることができる。

第３の態様または第３の態様の上述の可能な実装のうちのいずれか１つを参照すると、第３の態様の第５の可能な実装においては、デバイスは、送受信機をさらに含み、プロセッサは、現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定した後、現在のデータストリームのデータストリームクラスについての情報を、送受信機によって運用支援システムＯＳＳに送信することであって、現在のデータストリームのデータストリームクラスについての情報は、現在のデータストリームのためのトラフィック制御ポリシを生成するために、ＯＳＳによって、使用されることを行うようにさらに構成される。

第３の態様または第３の態様の上述の可能な実装のうちのいずれか１つを参照すると、第３の態様の第６の可能な実装においては、パケット長は、パケット内のイーサネットフレーム長、ＩＰ長、トランスポートプロトコル長、およびヘッダ長のうちの１つまたは複数を含み、トランスポートプロトコルは、伝送制御プロトコルＴＣＰ、および／またはユーザデータグラムプロトコルＵＤＰを含む。

第４の態様によれば、本出願の実施形態は、メモリと、プロセッサと、送受信機とを含む、データストリーム分類デバイスを提供し、メモリは、コンピュータプログラムを記憶するように構成され、プロセッサは、以下の動作、すなわち、
送受信機によって現在のデータストリームについてのものであり、別のデバイスによって送信された、特徴情報およびデータストリームクラスについての情報を受信することと、
第１の情報を、現在のデータストリームについてのものである、特徴情報およびデータストリームクラスについての情報に基づいて、生成することと、
内容分類モデルを更新するために、第１の情報を、送受信機によって別のデバイスに送信することであって、内容分類モデルは、少なくとも１つのデータストリームクラスに対応する少なくとも１つの第２の信頼度を獲得するために使用され、内容分類モデルは、１つまたは複数の過去のデータストリームの特徴情報およびデータストリームクラスに基づいて、獲得される、モデルであり、過去のデータストリームのデータストリームクラスは、挙動分類モデルに基づいて、獲得され、挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいて、獲得される、モデルであり、パケット特徴は、パケット長、パケット送信速度、パケット時間間隔、およびパケット方向のうちの１つまたは複数を含むことと
を実行するために、コンピュータプログラムを呼び出す。

上述の動作においては、挙動分類モデルおよび内容分類モデルが、関与させられる。挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいた、トレーニングを通して事前獲得され、内容分類モデルは、データストリームの特徴情報と、データストリームについてのものであり、挙動モデルを使用することによって分類された、データストリームクラスとに基づいた、トレーニングを通して獲得される。したがって、内容分類モデルは、オンライン学習モデルである。挙動分類モデルは、いくつかの基本的な（または典型的な）データストリームのデータストリームクラスを分類することができる。同じクラスのデータストリームの（パケット長およびパケット送信速度などの）いくつかの特徴は、その後の送信処理において、変化することがある。したがって、挙動分類モデルを使用することによって、データストリーム送信処理において、データストリームのデータストリームクラスを分類する際の、誤りを低減するために、データストリームのクラスは、内容分類モデルのオンライン学習特性と組み合わせて、（送信先アドレスおよびプロトコルタイプなどの）他の点に関して、分類される。結果として、本出願においては、挙動分類モデルと内容分類モデルが組み合わされた分類方式が、データストリームのデータストリームクラスを分類する精度を向上させ、分類汎用性を向上させるために、使用され、クラウドベースのアプリケーション展開、アプリケーション送信暗号化、およびプライベートアプリケーションなどの、複数のシナリオに適用されることができる。

第５の態様によれば、本出願の実施形態は、データストリーム分類デバイスを提供する。デバイスは、
現在のデータストリームのパケット特徴と、挙動分類モデルとに基づいて、現在のデータストリームについてのものであり、少なくとも１つのデータストリームクラスに対応する、少なくとも１つの第１の信頼度を獲得するように構成された、第１の分類ユニットであって、挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいて、獲得される、モデルであり、パケット特徴は、パケット長、パケット送信速度、パケット時間間隔、およびパケット方向のうちの１つまたは複数を含む、第１の分類ユニットと、
現在のデータストリームの特徴情報と、内容分類モデルとに基づいて、現在のデータストリームについてのものであり、少なくとも１つのデータストリームクラスに対応する、少なくとも１つの第２の信頼度を獲得するように構成された、第２の分類ユニットであって、特徴情報は、送信先アドレスと、プロトコルタイプとを含み、内容分類モデルは、１つまたは複数の過去のデータストリームの特徴情報およびデータストリームクラスに基づいて、獲得される、モデルであり、過去のデータストリームのデータストリームクラスは、挙動分類モデルに基づいて、獲得される、第２の分類ユニットと、
現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定するように構成された、決定ユニットと
を含む。

第５の態様を参照すると、第５の態様の第１の可能な実装においては、決定ユニットが、現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定するように構成されることは、具体的には、
第１のデータストリームクラスに対応する総合的な信頼度を、第１のデータストリームクラスに対応する第１の信頼度と、第１の信頼度の重み値と、第１のデータストリームクラスに対応する第２の信頼度と、第２の信頼度の重み値とに基づいて、計算することであって、第１のデータストリームクラスは、少なくとも１つのデータストリームクラスのうちのいずれか１つであることと、
第１のデータストリームクラスに対応する総合的な信頼度が、第１の事前設定されたしきい値よりも大きい場合、現在のデータストリームのデータストリームクラスは、第１のデータストリームクラスであると決定すること
である。

上述のデバイスにおいては、内容分類モデルおよび挙動分類モデルに対して、信頼度の重みが、最終的な分類結果に対する２つのモデルの影響の度合いに基づいて、事前に、別々に構成される（挙動分類モデルのために構成される重みは、第１の信頼度の重みであり、内容分類モデルのために構成される重みは、第２の信頼度の重みである）。したがって、２つの信頼度の重みに基づいて計算される総合的な信頼度は、現在のデータストリームの実際のクラスをより良好に反映することができる。加えて、データストリームクラスを決定する効率および精度が、向上させられることができるように、対応するデータストリームクラスが望ましいかどうかを測定するための、第１の事前設定されたしきい値が、導入される。

第５の態様または第５の態様の上述の可能な実装を参照すると、第５の態様の第２の可能な実装においては、デバイスは、
第１のデータストリームクラスに対応する総合的な信頼度が、第２の事前設定されたしきい値よりも小さいとき、現在のデータストリームの特徴情報、および第１のデータストリームクラスについての情報を、別のデバイスに送信するように構成された、第１の送信ユニットであって、第２の事前設定されたしきい値は、第１の事前設定されたしきい値よりも大きい、第１の送信ユニットと、
別のデバイスによって送信された第１の情報を受信するように構成された、受信ユニットであって、第１の情報は、現在のデータストリームの特徴情報と、第１のデータストリームクラスの識別情報とに基づいて、別のデバイスによって獲得される、受信ユニットと、
新しい内容分類モデルを獲得するために、内容分類モデルを、第１の情報に基づいて、更新するように構成された、更新ユニットと
をさらに含む。

第５の態様または第５の態様の上述の可能な実装のうちのいずれか１つを参照すると、第５の態様の第３の可能な実装においては、デバイスは、
第１のデータストリームクラスに対応する総合的な信頼度が、第２の事前設定されたしきい値よりも小さいとき、新しい内容分類モデルを獲得するために、内容分類モデルを、現在のデータストリームの特徴情報と、第１のデータストリームクラスについての情報とに基づいて、更新するように構成された、更新ユニットであって、第２の事前設定されたしきい値は、第１の事前設定されたしきい値よりも大きい、更新ユニット
をさらに含む。

第５の態様または第５の態様の上述の可能な実装のうちのいずれか１つを参照すると、第５の態様の第４の可能な実装においては、新しい内容分類モデルを獲得するために、内容分類モデルを、現在のデータストリームの特徴情報と、第１のデータストリームクラスについての情報とに基づいて、更新することは、具体的には、
複数のレコードのうちの第１のレコードの特徴情報は、現在のデータストリームの特徴情報と同じであるが、第１のレコードのデータストリームクラスは、第１のデータストリームクラスと異なる場合、第２のレコードを獲得するために、第１のレコードのデータストリームクラスを、第１のデータストリームクラスに更新することであって、複数のレコードの各々は、特徴情報と、データストリームクラスとを含むことと、
新しい内容分類モデルを獲得するために、第２のレコードを含む複数のレコードをトレーニングすること
である。

第５の態様または第５の態様の上述の可能な実装のうちのいずれか１つを参照すると、第５の態様の第５の可能な実装においては、デバイスは、
決定ユニットが、現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定した後、現在のデータストリームのデータストリームクラスについての情報を、運用支援システムＯＳＳに送信するように構成された、第２の送信ユニットであって、現在のデータストリームのデータストリームクラスについての情報は、現在のデータストリームのためのトラフィック制御ポリシを生成するために、ＯＳＳによって、使用される、第２の送信ユニット
をさらに含む。

第５の態様または第５の態様の上述の可能な実装のうちのいずれか１つを参照すると、第５の態様の第６の可能な実装においては、パケット長は、パケット内のイーサネットフレーム長、ＩＰ長、トランスポートプロトコル長、およびヘッダ長のうちの１つまたは複数を含み、トランスポートプロトコルは、伝送制御プロトコルＴＣＰ、および／またはユーザデータグラムプロトコルＵＤＰを含む。

第６の態様によれば、本出願の実施形態は、データストリーム分類デバイスを提供する。デバイスは
現在のデータストリームについてのものであり、別のデバイスによって送信された、特徴情報およびデータストリームクラスについての情報を受信するように構成された、受信ユニットと、
第１の情報を、現在のデータストリームについてのものである、特徴情報およびデータストリームクラスについての情報に基づいて、生成するように構成された、生成ユニットと、
内容分類モデルを更新するために、第１の情報を、別のデバイスに送信するように構成された、送信ユニットであって、内容分類モデルは、少なくとも１つのデータストリームクラスに対応する少なくとも１つの第２の信頼度を獲得するために使用され、内容分類モデルは、１つまたは複数の過去のデータストリームの特徴情報およびデータストリームクラスに基づいて、獲得される、モデルであり、過去のデータストリームのデータストリームクラスは、挙動分類モデルに基づいて、獲得され、挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいて獲得される、モデルであり、パケット特徴は、パケット長、パケット送信速度、パケット時間間隔、およびパケット方向のうちの１つまたは複数を含む、送信ユニットと
を含む。

第７の態様によれば、本出願の実施形態は、コンピュータ可読記憶媒体を提供する。コンピュータ可読記憶媒体は、コンピュータプログラムを記憶し、コンピュータプログラムが、プロセッサ上において動作させられたとき、第１の態様または第１の態様の可能な実装のうちのいずれか１つに従った方法が、実施される。

第８の態様によれば、本出願の実施形態は、コンピュータプログラム製品を提供し、コンピュータプログラム製品は、メモリ内に記憶され、コンピュータプログラム製品が、プロセッサ上において動作したとき、第１の態様または第１の態様の可能な実装のうちのいずれか１つに従った方法が、実施される。

第９の態様によれば、本出願の実施形態は、データストリーム分類システムを提供する。システムは、第１のデバイスと、第２のデバイスとを含み、第２のデバイスは、第３の態様もしくは第３の態様の可能な実装のうちのいずれか１つ、または第５の態様もしくは第５の態様の可能な実装のうちのいずれか１つに従った、データストリーム分類デバイスであり、第１のデバイスは、第４の態様もしくは第４の態様の可能な実装のうちのいずれか１つ、または第６の態様もしくは第６の態様の可能な実装のうちのいずれか１つに従った、データストリーム分類デバイスである。

本出願の実施形態においては、挙動分類モデルおよび内容分類モデルが、関与させられる。挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいた、トレーニングを通して事前獲得され、内容分類モデルは、データストリームの特徴情報と、データストリームについてのものであり、挙動モデルを使用することによって分類された、データストリームクラスとに基づいた、トレーニングを通して獲得される。したがって、内容分類モデルは、オンライン学習モデルである。挙動分類モデルは、いくつかの基本的な（または典型的な）データストリームのデータストリームクラスを分類することができる。同じクラスのデータストリームの（パケット長およびパケット送信速度などの）いくつかの特徴は、その後の送信処理において、変化することがある。したがって、挙動分類モデルを使用することによって、データストリーム送信処理において、データストリームのデータストリームクラスを分類する際の、誤りを低減するために、データストリームのクラスは、内容分類モデルのオンライン学習特性と組み合わせて、（送信先アドレスおよびプロトコルタイプなどの）他の点に関して、分類される。結果として、本出願においては、挙動分類モデルと内容分類モデルが組み合わされた分類方式が、データストリームのデータストリームクラスを分類する精度を向上させ、分類汎用性を向上させるために、使用され、クラウドベースのアプリケーション展開、アプリケーション送信暗号化、およびプライベートアプリケーションなどの、複数のシナリオに適用されることができる。

以下、本発明の実施形態において使用される、添付の図面について説明する。

本発明の実施形態に従った、データストリーム分類システムのアーキテクチャの概略図である。本発明の実施形態に従った、内容分類モデルおよび挙動分類モデルのシナリオの概略図である。本発明の実施形態に従った、分類モデルの構造の概略図である。本発明の実施形態に従った、分類モデルの構造の概略図である。本発明の実施形態に従った、分類モデルの構造の概略図である。本発明の実施形態に従った、データストリーム分類方法の概略フローチャートである。本発明の実施形態に従った、データストリームａおよびデータストリームｂのシナリオの概略図である。本発明の実施形態に従った、データストリームレコードの例の概略図である。本発明の実施形態に従った、データストリームレコードの例の概略図である。本発明の実施形態に従った、第２のデバイスの構造の概略図である。本発明の実施形態に従った、第１のデバイスの構造の概略図である。本発明の実施形態に従った、別の第２デバイスの構造の概略図である。本発明の実施形態に従った、別の第１デバイスの構造の概略図である。

以下、本発明の実施形態における添付の図面を参照して、本発明の実施形態について説明する。

図１は、本発明の実施形態に従った、データストリーム分類システムのアーキテクチャの概略図である。システムは、運用支援システム（ｏｐｅｒａｔｉｏｎｓｙｓｔｅｍｓｕｐｐｏｒｔ，ＯＳＳ）１０１と、サーバ１０２と、転送デバイス１０３と、端末１０４とを含む。複数の端末１０４が、存在してよく、図１においては、説明のために、例として、６つの端末だけが、使用される。端末１０４は、ビデオ会議アプリケーション、音声会議アプリケーション、およびデスクトップクラウドアプリケーションなど、様々なアプリケーションを動作させるように構成される。異なるアプリケーションによって生成されるデータストリームの（アプリケーションタイプとも呼ばれる）データストリームクラスは、通常、異なる。本出願のこの実施形態においては、端末１０４によって生成されたデータストリームは、転送デバイス１０３によって送信先デバイスに送信される必要がある。転送デバイスは、ルータまたはスイッチなどを含み得る。１つまたは複数の転送デバイス１０３が、存在してよい。例えば、１つのルータと、３つのスイッチが、存在する。別の例として、ただ１つのスイッチが、存在する。別の例として、３つのスイッチが、存在する。他の例は、本明細書においては、列挙されない。サーバ１０２は、１つのサーバ、または複数のサーバを含むサーバクラスタであってよい。

端末１０４は、端末１０４によって生成されたデータストリームを送信し得、転送デバイス１０３は、ＯＳＳ１０１によって生成されたトラフィック制御ポリシに従って、データストリームを転送し得る。例えば、トラフィック制御ポリシにおいて、ビデオ会議アプリケーションによって生成されたデータストリームが、最も高いプライオリティを有することが、指定されているときに、端末１０４または転送デバイス１０３が、ビデオ会議アプリケーションによって生成されたデータストリームを含む、複数のデータストリームを送信する必要がある場合、ビデオ会議アプリケーションによって生成されたデータストリームが、優先的に送信される。トラフィック制御ポリシは、現在のデータストリームのデータストリームクラスに基づいて、ＯＳＳ１０１によって生成されることに留意されたい。本出願のこの実施形態においては、現在のデータストリームについてのものであり、トラフィック制御ポリシを生成するために、ＯＳＳ１０１によって使用される、データストリームクラスは、第２のデバイスによって、決定される。

図２Ａに示されるように、第２のデバイスは、現在のデータストリームのデータストリームクラスを決定するとき、挙動分類モデルおよび内容分類モデルを使用する必要がある。モデルパラメータは、ｃｏｎｆｉｄｅｎｃｅｗｅｉｇｈｔベクトル（ｗ１，ｗ２）と、データストリームクラスの第１の事前設定されたしきい値θ１および第２の事前設定されたしきい値θ２とを含み得るが、それらに限定されない。第１の事前設定されたしきい値は、分類しきい値と呼ばれることもあり、データストリームクラスを特定のクラスに分類するかどうかを決定するために、使用される。第２の事前設定されたしきい値は、モデル更新しきい値とも呼ばれ、内容分類モデルをいつ更新するかを決定するために、使用される。これらのモデルパラメータは、後続の方法手順において、より詳細に説明される。現在のデータストリームのデータストリームクラスを分類するために、内容分類モデルによって使用される入力は、（送信先ＩＰアドレス、送信先ポート、およびプロトコルタイプなどの）特徴情報を含み得る。現在のデータストリームのデータストリームクラスを分類するために、挙動分類モデルによって使用される入力は、（パケット長、パケット送信速度、パケット時間間隔、およびパケット方向などの）パケット情報を含み得る。第２のデバイスは、最終的なデータストリームクラスを、ｃｏｎｆｉｄｅｎｃｅｗｅｉｇｈｔベクトル（ｗ１，ｗ２）と、内容分類モデルを使用することによって獲得された信頼度と、挙動分類モデルを使用することによって獲得された信頼度とに基づいて、獲得する。この処理においては、事前設定された第２のしきい値θ２に基づいて、内容分類モデルが更新される必要があると決定された場合、内容分類モデルを更新するためのパラメータが、獲得される。

任意選択で、更新のために必要とされるパラメータは、いくつかのデータストリームの関連情報をトレーニングすることによって、第２のデバイスによって獲得され得、またはいくつかのデータストリームの関連情報をトレーニングすることによって、第１のデバイスによって獲得され、その後、第２のデバイスに送信され得る。

本出願のこの実施形態においては、第２のデバイスは、ＯＳＳ１０１、サーバ１０２、または転送デバイス１０３であり得る。加えて、第１のデバイスは、ＯＳＳ１０１、サーバ１０２、または転送デバイス１０３であり得る。上述の説明を参照すると、第１のデバイスと第２のデバイスは、同じデバイスであり得、または異なるデバイスであり得る。加えて、第１のデバイスも、第２のデバイスも、サーバ１０２でない場合、図１に示されるアーキテクチャにおいては、サーバ１０２は存在しないと見なされ得る。

内容分類モデルは、本質的に、分類モデルであることに留意されたい。図２Ｂに示されるように、分類モデルは、木モデルであり得る。図２Ｃに示されるように、分類モデルは、ニューラルネットワークモデルであり得る。図２Ｄに示されるように、分類モデルは、サポートベクタマシン（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）モデルであり得る。もちろん、分類モデルは、代替として、別の形態のモデルであり得る。任意選択で、内容分類モデルは、入力ベクトルの抽出された特徴（送信先インターネットプロトコル（ｉｎｔｅｒｎｅｔｐｒｏｔｏｃｏｌ，ＩＰ）アドレス、送信先ポート番号、およびプロトコルタイプなどの、特徴情報）の分類を通して獲得される。したがって、内容分類モデルは、同じ送信先ＩＰアドレス、同じプロトコルタイプ、および同じポート番号を有するデータストリームは、同じデータストリームクラスに属すると分類し、同じネットワークセグメント、同じプロトコルタイプ、類似したポート番号を有するデータストリームは、同じデータストリームクラスに属すると分類し、送信先ポート番号が２０（よく知られたファイル転送プロトコル（ｆｉｌｅｔｒａｎｓｆｅｒｐｒｏｔｏｃｏｌ，ＦＴＰ）ポート番号）である、伝送制御プロトコル（ｔｒａｎｓｍｉｓｓｉｏｎｃｏｎｔｒｏｌｐｒｏｔｏｃｏｌ，ＴＣＰ）トラフィックは、ダウンロードのデータストリームクラスに属すると分類し得る。

加えて、現在のデータストリームのデータストリームクラスを分類するために、第２のデバイスによって使用される、現在のデータストリームについてのいくつかの情報は、端末１０４もしくは別のデバイスによって、第２のデバイスに送信され得、または第２のデバイスによって収集され得る。

図３は、本発明の実施形態に従った、データストリーム分類方法を示している。方法は、図１に示されたアーキテクチャに基づいて、実施され得る。方法は、以下のステップを含むが、それらに限定されない。

ステップＳ３０１：第２のデバイスが、現在のデータストリームのパケット特徴と、挙動分類モデルとに基づいて、現在のデータストリームについてのものであり、少なくとも１つのデータストリームクラスに対応する、少なくとも１つの第１の信頼度を獲得する。

具体的には、挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいて、獲得される、モデルである。任意選択で、複数のデータストリームサンプルは、オフラインサンプルであり得る。言い換えると、挙動分類モデルは、オフラインでトレーニングされたモデルであり得る。複数のデータストリームサンプルは、代替として、事前に選択された相対的に典型的（または代表的）なサンプルであり得る。例えば、ビデオ会議アプリケーションのデータストリームにおけるパケットのパケット長は、多くのケースにおいては、相対的に長いが、時には、相対的に短い。比較すると、相対的に長いパケット長は、現在のデータストリームが、ビデオ会議アプリケーションのデータストリームであることをより良好に反映することができる。したがって、相対的に長いパケット長を有する代表的なデータストリームは、ビデオ会議アプリケーションのデータストリームサンプルとして、優先的に選択される。任意選択で、複数のデータストリームサンプルのデータストリームクラスは、手動で決定され、すなわち、手動でラベリングされ得る。挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいて、獲得される、モデルであるので、挙動分類モデルは、１つのデータストリームの、パケット特徴とデータストリームクラスとの間のいくつかの関係を反映することができる。したがって、現在のデータストリームのパケット特徴が、挙動分類モデルに入力されたとき、現在のデータストリームが、特定のデータストリームクラス、またはいくつかの特定のデータストリームクラスに属する傾向（または確率）が、挙動分類モデルを使用することによって、ある程度、予測されることができ、傾向（または確率）を反映したパラメータは、信頼度と呼ばれることもある。

本出願のこの実施形態においては、パケット特徴は、パケット長、パケット送信速度、パケット時間間隔、およびパケット方向のうちの１つまたは複数を含み得る。任意選択で、パケット長は、パケット内のイーサネットフレーム長、ＩＰ長、トランスポートプロトコル長、およびヘッダ長のうちの１つまたは複数を含む。トランスポートプロトコルは、伝送制御プロトコルＴＣＰ、および／またはユーザデータグラムプロトコルＵＤＰを含む。もちろん、本明細書において列挙された特徴を含むことに加えて、パケット特徴は、別の特徴、例えば、パケット長、パケット送信速度、パケット時間間隔、およびパケット方向の最大値、最小値、平均値、分散、または分位数をさらに含み得る。パケット特徴は、ベクトル形式で、例えば、（パケット長，パケット送信速度，パケット時間間隔）の形式で、挙動分類モデルに入力され得る。加えて、本出願の実施形態におけるデータストリームクラスは、アプリケーションタイプと呼ばれることもある。

本出願のこの実施形態の第１の可能なケースにおいては、現在のデータストリームがＮ個の可能なデータストリームクラスの各々に属することの信頼度が、推定（または予測）され得、すなわち、Ｎ個のデータストリームクラスに対応する、現在のデータストリームのＮ個の第１の信頼度が、獲得され、Ｎは、１以上である。例えば、Ｎ個のデータストリームクラスが、ビデオ会議のデータストリームクラス、音声会議のデータストリームクラス、およびデスクトップクラウドのデータストリームクラスである場合、現在のデータストリームがビデオ会議のデータストリームクラスに属することの第１の信頼度、現在のデータストリームが音声会議のデータストリームクラスに属することの第１の信頼度、および現在のデータストリームがデスクトップクラウドのデータストリームクラスに属することの第１の信頼度が、挙動分類モデルを使用することによって、推定される必要がある。Ｎ個のデータストリームクラスが、ビデオ会議のデータストリームクラスである場合、現在のデータストリームがビデオ会議のデータストリームクラスに属することの第１の信頼度が、挙動分類モデルを使用することによって、推定される必要がある。

本出願のこの実施形態の第２の可能なケースにおいては、現在のデータストリームが複数のデータストリームクラスのうちの着目されたデータストリームクラスに属することの信頼度だけが、推定（または予測）され、すなわち、現在のデータストリームについてのものであり、１つのデータストリームクラスに対応する、１つの第１の信頼度が、獲得される。例えば、複数のデータストリームクラスは、ビデオ会議のデータストリームクラス、音声会議のデータストリームクラス、およびデスクトップクラウドのデータストリームクラスであるが、本出願のこの実施形態においては、ビデオ会議のデータストリームクラスだけが、大きな関心事である場合、現在のデータストリームがビデオ会議のデータストリームクラスに属することの第１の信頼度だけが、挙動分類モデルを使用することによって、推定される必要がある。

ステップＳ２０２：第２のデバイスが、現在のデータストリームの特徴情報と、内容分類モデルとに基づいて、現在のデータストリームについてのものであり、少なくとも１つのデータストリームクラスに対応する、少なくとも１つの第２の信頼度を獲得する。

具体的には、内容分類モデルは、１つまたは複数の過去のデータストリームの特徴情報およびデータストリームクラスに基づいて、獲得される、モデルである。任意選択で、１つまたは複数の過去のデータストリームは、オンラインデータストリーム、すなわち、以前の時間期間において連続的に生成された１つまたは複数のデータストリームであり得、過去のデータストリームのデータストリームクラスは、挙動分類モデルを使用することによって、分類され、言い換えると、内容分類モデルは、オンラインでトレーニングされたモデルであり得る。内容分類モデルは、１つまたは複数の過去のデータストリームの特徴情報およびデータストリームクラスに基づいて、獲得される、モデルであるので、内容分類モデルは、１つのデータストリームの、特徴情報とデータストリームクラスとの間のいくつかの関係を反映することができる。したがって、現在のデータストリームの特徴情報が、内容分類モデルに入力されたとき、現在のデータストリームが、特定のデータストリームクラス、またはいくつかの特定のデータストリームクラスに属する傾向（または確率）が、内容分類モデルを使用することによって、ある程度、予測されることができ、傾向（または確率）を反映したパラメータは、信頼度と呼ばれることもある。

本出願のこの実施形態においては、特徴情報は、送信先アドレス、プロトコルタイプ、およびポート番号のうちの１つまたは複数を含み得る。送信先アドレスは、ＩＰアドレス、送信先ＭＡＣアドレス、または別の形式のアドレスであり得る。もちろん、特徴情報は、本明細書において列挙された特徴に加えて、別の特徴をさらに含み得る。さらに、本明細書における特徴情報は、ターゲット固有の情報、例えば、ターゲットＩＰアドレスまたはターゲットポートであり得る。特徴情報は、ベクトル形式で、内容分類モデルに入力され得、（１０．２９．７４．５，８４４３，６）などの（ｉｐ，ポート，プロトコル）の形式であり得、または（０５ＦＡ１５２５ＥＥＦＦ，８４４３，６）などの（ｍａｃ，ポート，プロトコル）の形式であり得る。もちろん、特徴情報は、代替として、別の形式であり得、例が、本明細書において、１つずつ列挙されることはない。

本出願のこの実施形態の第１の可能なケースにおいては、現在のデータストリームがＮ個の可能なデータストリームクラスの各々に属することの信頼度が、推定（または予測）され得、すなわち、Ｎ個のデータストリームクラスに対応する、現在のデータストリームのＮ個の第２の信頼度が、獲得される。例えば、Ｎ個のデータストリームクラスが、ビデオ会議のデータストリームクラス、音声会議のデータストリームクラス、およびデスクトップクラウドのデータストリームクラスである場合、現在のデータストリームがビデオ会議のデータストリームクラスに属することの第２の信頼度、現在のデータストリームが音声会議のデータストリームクラスに属することの第２の信頼度、および現在のデータストリームがデスクトップクラウドのデータストリームクラスに属することの第２の信頼度が、内容分類モデルを使用することによって、推定される必要である。Ｎ個のデータストリームクラスが、ビデオ会議のデータストリームクラスである場合、現在のデータストリームがビデオ会議のデータストリームクラスに属することの第２の信頼度が、内容分類モデルを使用することによって、推定される必要がある。

本出願のこの実施形態の第２の可能なケースにおいては、現在のデータストリームが複数のデータストリームクラスのうちの着目されたデータストリームクラスに属することの信頼度だけが、推定（または予測）され、すなわち、現在のデータストリームについてのものであり、１つのデータストリームクラスに対応する、１つの第２の信頼度が、獲得される。例えば、複数のデータストリームクラスは、ビデオ会議のデータストリームクラス、音声会議のデータストリームクラス、およびデスクトップクラウドのデータストリームクラスであるが、本出願のこの実施形態においては、ビデオ会議のデータストリームクラスだけが、大きな関心事である場合、現在のデータストリームがビデオ会議のデータストリームクラスに属することの第２の信頼度だけが、内容分類モデルを使用することによって、推定される必要がある。

ステップＳ３０３：第２のデバイスが、現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定する。

具体的には、少なくとも１つの第１の信頼度は、現在のデータストリームのデータクラス傾向を、ある程度、表すことができ、少なくとも１つの第２の信頼度も、現在のデータストリームのデータクラス傾向を、ある程度、表すことができるので、現在のデータストリームのデータストリームクラスを獲得するために、より正確で信頼度の高いデータストリームクラス傾向が、少なくとも１つの第１の信頼度および少なくとも１つの第２の信頼度の両方に基づいて、獲得されることができる。

任意選択のソリューションにおいては、獲得された最大の総合的な信頼度に対応するデータストリームクラスが、現在のデータストリームのデータストリームクラスとして、決定される。例えば、ビデオ会議のデータストリームクラスの総合的な信頼度は、ビデオ会議のデータストリームクラスの第１の信頼度と、ビデオ会議のデータストリームクラスの第２の信頼度とに基づいて、０．７と決定され、音声会議のデータストリームクラスの総合的な信頼度は、音声会議のデータストリームクラスの第１の信頼度と、音声会議のデータストリームクラスの第２の信頼度とに基づいて、０．２と決定され、デスクトップクラウドのデータストリームクラスの総合的な信頼度は、デスクトップクラウドのデータストリームクラスの第１の信頼度と、デスクトップクラウドのデータストリームクラスの第２の信頼度とに基づいて、０．１と決定される。ビデオ会議のデータストリームクラスの総合的な信頼度が、最も大きいので、現在のデータストリームのデータストリームクラスは、ビデオ会議のデータストリームクラスとして、決定される。

別の任意選択のソリューションにおいては、現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定することは、具体的には、第１のデータストリームクラスに対応する総合的な信頼度を、第１のデータストリームクラスに対応する第１の信頼度と、第１の信頼度の重み値と、第１のデータストリームクラスに対応する第２の信頼度と、第２の信頼度の重み値とに基づいて、計算することであり得る。第１のデータストリームクラスは、少なくとも１つのデータストリームクラスのうちのいずれか１つであり、言い換えると、少なくとも１つのデータストリームクラスの各々は、本明細書においては、第１のデータストリームクラスの特徴と照合される。第１のデータストリームクラスに対応する総合的な信頼度が、第１の事前設定されたしきい値よりも大きい場合、現在のデータストリームのデータストリームクラスは、第１のデータストリームクラスであると決定される。例えば、ビデオ会議のデータストリームクラスに対応する総合的な信頼度が、第１の事前設定されたしきい値よりも大きい場合、現在のデータストリームのデータストリームクラスは、ビデオ会議のデータストリームクラスであると決定される。デスクトップクラウドのデータストリームクラスに対応する総合的な信頼度が、第１の事前設定されたしきい値よりも大きい場合、現在のデータストリームのデータストリームクラスは、デスクトップクラウドのデータストリームクラスであると決定される。

例えば、ｃｏｎｆｉｄｅｎｃｅｗｅｉｇｈｔベクトル（ｗ１，ｗ２）は、（０．４，０．６）であり、すなわち、（挙動分類モデルの重みとも見なされ得る）第１の信頼度の重みは、０．６であり、（内容分類モデルの重みとも見なされ得る）第２の信頼度の重みは、０．４であり、データストリームクラスの第１の事前設定されたしきい値θ１は、０．５であることが、仮定される。第２のデバイスによって、データストリーム分類を実行し始めたとき、内容分類モデルは、十分にトレーニングされていないので、挙動分類モデルは、入力されたデータストリームのデータストリームクラスを分類することができるが、内容分類モデルは、入力されたデータストリームのデータストリームクラスを分類することができない。したがって、開始時においては、内容分類モデルによって分類されたいずれのデータストリームクラスに対応する信頼度も、０である。

２つのデスクトップクラウドデータストリームが、存在することが、仮定される。図４に示されるように、横軸は、データストリームのシーケンス番号を表し、縦軸は、パケット長を表し、パケット長が０よりも大きいパケットは、アップリンクパケットであり、パケット長が０よりも小さいパケットは、ダウンリンクパケットである。データストリームａおよびデータストリームｂの両方が、デスクトップクラウドのデータストリームクラスに属する。データストリームｂは、アップリンクパケットを含み、デスクトップクラウドシナリオの特性をより良好に表すことができる。したがって、データストリームｂのパケット挙動は、典型的な挙動であると見なされる。データストリームａには、長い時間期間の間、アップリンクパケットが、存在せず、データストリームａが、デスクトップクラウドシナリオにあることを明確に示すことができない。したがって、データストリームａのパケット挙動は、非典型的な挙動であると見なされる。挙動分類モデルは、通常、典型的な挙動を有するデータストリームをトレーニングすることによって、獲得される。したがって、挙動分類モデルは、データストリームｂのデータストリームクラスを分類することができるが、データストリームａのデータストリームクラスを分類することができない。データストリームａおよびデータストリームｂの特徴情報は、以下の通りである。

データストリームａのプロトコルタイプは、ＴＣＰであり、データストリームａの送信先ＩＰアドレスは、１０．１２９．７４．５であり、データストリームａの送信先ポート番号は、８４４３である。

データストリームｂのプロトコルタイプは、ＴＣＰであり、データストリームｂの送信先ＩＰアドレスは、１０．１２９．５６．３９であり、データストリームｂの送信先ポート番号は、４４３である。

このケースにおいては、データストリームａについて、データストリームａが、デスクトップクラウドのデータストリームクラス、音声会議のデータストリームクラス、およびビデオ会議のデータストリームクラスに属すると、内容分類モデルを使用することによって、分類することの第２の信頼度は、すべて、０であり、データストリームａが、デスクトップクラウドのデータストリームクラス、音声会議のデータストリームクラス、およびビデオ会議のデータストリームクラスに属すると、パケット特徴に基づいて、挙動分類モデルを使用することによって、分類することの第１の信頼度は、それぞれ、０．５、０、および０である。したがって、３つのデータストリームクラスに対応する総合的な信頼度は、以下の通りである。

デスクトップクラウド：０×０．４＋０．５×０．６＝０．３であり、それは、θ１よりも小さい。したがって、現在のデータストリームは、デスクトップクラウドのデータストリームクラスに属さない。

音声会議：０×０．４＋０×０．６＝０であり、それは、θ１よりも小さい。したがって、現在のデータストリームは、音声会議のデータストリームクラスに属さない。

ビデオ会議：０×０．４＋０×０．６＝０であり、それは、θ１よりも小さい。したがって、現在のデータストリームは、ビデオ会議のデータストリームクラスに属さない。

このケースにおいては、データストリームｂについて、データストリームｂが、デスクトップクラウドのデータストリームクラス、音声会議のデータストリームクラス、およびビデオ会議のデータストリームクラスに属すると、内容分類モデルを使用することによって、分類することの第２の信頼度は、すべて、０であり、データストリームｂが、デスクトップクラウドのデータストリームクラス、音声会議のデータストリームクラス、およびビデオ会議のデータストリームクラスに属すると、パケット特徴に基づいて、挙動分類モデルを使用することによって、分類することの第１の信頼度は、それぞれ、０．９、０、および０である。したがって、３つのデータストリームクラスに対応する総合的な信頼度は、以下の通りである。

デスクトップクラウド：０×０．４＋０．９×０．６＝０．５４であり、それは、θ１よりも大きい。したがって、現在のデータストリームは、デスクトップクラウドのデータストリームクラスに属する。

本出願のこの実施形態においては、内容分類モデルが、さらに更新され得る。以下では、２つの異なる更新スキームを提供する。

スキーム１：第１のデータストリームクラスに対応する総合的な信頼度が、第１の事前設定されたしきい値よりも大きく、第２の事前設定されたしきい値θ２よりも小さい場合、第２のデバイスは、現在のデータストリームの特徴情報、および第１のデータストリームクラスについての情報を、第１のデバイスに送信し、第２の事前設定されたしきい値は、第１の事前設定されたしきい値よりも大きい。例えば、データストリームａについて、デスクトップクラウドのデータストリームクラスに対応する総合的な信頼度０．３は、範囲（θ１，θ２）内にない。したがって、現在のデータストリームの特徴情報、およびデスクトップクラウドのデータストリームクラスについての情報は、第１のデバイスに送信される必要はない。別の例として、データストリームｂについて、デスクトップクラウドのデータストリームクラスに対応する総合的な信頼度０．５４は、範囲（θ１，θ２）内にある。したがって、現在のデータストリームの特徴情報（例えば、送信先ＩＰアドレス１０．１２９．５６．３９、送信先ポート番号４４３、およびプロトコルタイプＴＣＰ）、ならびにデスクトップクラウドのデータストリームクラスについての情報（名前、および識別子などの情報）は、第１のデバイスに送信される必要がある。

それに対応して、第１のデバイスは、第２のデバイスによって送信された、現在のデータストリームの特徴情報、および第１のデータストリームクラスについての情報を受信し、すなわち、１つのデータストリームレコードが、第１のデバイスに追加される。図５に示されるように、データストリームｂについてのレコードが、追加される。その後、第１のデバイスは、第１の情報、例えば、信頼度計算に影響するいくつかのパラメータを、現在のデータストリームの特徴情報と、第１のデータストリームクラスについての情報とに基づいて、獲得する。任意選択で、第１の情報は、モデルファイルであり、したがって、モデルファイルの形態で送信され得る。一般に、オープンソースＫｅｒａｓライブラリのＡＩモデルファイルは、ｈ５ファイル／ｊｓｏｎファイルであり、オープンソースＳｋｌｅａｒｎライブラリのＡＩモデルファイルは、ｐｋｌ／ｍファイルである。これらのファイルは、バイナリであり、モデルの構造およびモデルの重みを記憶するために、使用される。

次に、第２のデバイスは、第１のデバイスによって送信された第１の情報を受信し、その後、新しい内容分類モデルを獲得するために、第１の情報に基づいて、内容分類モデルを更新する。データストリームｂについてのレコードにおいては、送信先ＩＰアドレス１０．１２９．５６．３９、送信先ポート番号４４３、およびプロトコルタイプＴＣＰは、すべて、デスクトップクラウドのデータストリームクラスに対応する。したがって、更新された内容分類モデルが、入力されたデータストリームｂを再び推定するとき、デスクトップクラウドのデータストリームクラスに対応する推定された第２の信頼度は、１である。任意選択で、データストリームａの特徴情報と、データストリームｂの特徴情報との間には、類似性が、存在するので、例えば、送信先ＩＰアドレスは、同じネットワークセグメント内にあり、ポート番号は、類似しており、プロトコルタイプは、類似しているので、更新された内容分類モデルが、入力されたデータストリームａを再び推定するとき、推定結果は、データストリームｂについての推定結果により近い。例えば、デスクトップクラウドのデータストリームクラスに対応する推定された第２の信頼度は、０．６であり得る。

ネットワークにおいて、その後に発生する、データストリームａおよびデータストリームｂのデータストリームクラスを推定するための手順は、以下の通りである。

ｃｏｎｆｉｄｅｎｃｅｗｅｉｇｈｔベクトル（ｗ１，ｗ２）、第１の事前設定されたしきい値θ１、および第２の事前設定されたしきい値θ２は、無変化のままである。

このケースにおいては、データストリームａについて、データストリームａが、デスクトップクラウドのデータストリームクラス、音声会議のデータストリームクラス、およびビデオ会議のデータストリームクラスに属すると、内容分類モデルを使用することによって、分類することの第２の信頼度は、それぞれ、０．６、０、および０であり、データストリームａが、デスクトップクラウドのデータストリームクラス、音声会議のデータストリームクラス、およびビデオ会議のデータストリームクラスに属すると、パケット特徴に基づいて、挙動分類モデルを使用することによって、分類することの第１の信頼度は、それぞれ、０．５、０、および０である。したがって、３つのデータストリームクラスに対応する総合的な信頼度は、以下の通りである。

デスクトップクラウド：０．６×０．４＋０．５×０．６＝０．５４であり、それは、θ１よりも大きい。したがって、現在のデータストリームは、デスクトップクラウドのデータストリームクラスに属する。

データストリームａがデスクトップクラウドのデータストリームクラスに属すると分類することの総合的な信頼度０．５４は、範囲（θ１，θ２）内にあるので、現在のデータストリームの特徴情報、およびデスクトップクラウドのデータストリームクラスについての情報は、後で内容分類モデルを更新するために、第１のデバイスに送信される必要がある（更新原理は、上で説明されており、ここで再び説明されることはない）。

このケースにおいては、データストリームｂについて、データストリームｂが、デスクトップクラウドのデータストリームクラス、音声会議のデータストリームクラス、およびビデオ会議のデータストリームクラスに属すると、内容分類モデルを使用することによって、分類することの第２の信頼度は、それぞれ、１、０、０であり、データストリームｂが、デスクトップクラウドのデータストリームクラス、音声会議のデータストリームクラス、およびビデオ会議のデータストリームクラスに属すると、パケット特徴に基づいて、挙動分類モデルを使用することによって、分類することの第１の信頼度は、それぞれ、０．９，０、および０である。したがって、３つのデータストリームクラスに対応する総合的な信頼度は、以下の通りである。

デスクトップクラウド：１×０．４＋０．９×０．６＝０．９４であり、それは、θ１よりも大きい。したがって、現在のデータストリームは、デスクトップクラウドのデータストリームクラスに属する。

データストリームｂがデスクトップクラウドのデータストリームクラスに属すると分類することの総合的な信頼度０．９４は、範囲（θ１，θ２）内にないので、現在のデータストリームの特徴情報、およびデスクトップクラウドのデータストリームクラスについての情報は、第１のデバイスに送信される必要はない。

クラウドベースの弾力的な展開シナリオが、ネットワークにおいて存在する。例えば、送信先ＩＰアドレスが１０．１２９．５６．３９であり、送信先ポート番号が４４３であり、プロトコルタイプがＴＣＰである、クラウドリソースが、デスクトップクラウドにサービスすることから、ビデオ会議にサービスすることに変化する。このシナリオにおいては、第１のデバイスが、第１の情報を、現在のデータストリームの特徴情報と、第１のデータストリームクラスについての情報とに基づいて、獲得することは、複数のレコードのうちの第１のレコードの特徴情報は、現在のデータストリームの特徴情報と同じであるが、第１のレコードのデータストリームクラスは、第１のデータストリームクラスと異なる場合、第２のレコードを獲得するために、第１のレコードのデータストリームクラスを、第１のデータストリームクラスに更新することであって、複数のレコードの各々は、特徴情報と、データストリームクラスとを含むことと、その後、第１の情報を獲得するために、第２のレコードを含む複数のレコードをトレーニングすることとを含み得る。

例えば、データストリームｃのプロトコルタイプは、ＴＣＰであり、データストリームｃの送信先ＩＰアドレスは、１０．１２９．５６．３９であり、データストリームｃの送信先ポート番号は、４４３である。

このケースにおいては、データストリームｃについて、データストリームｃが、デスクトップクラウドのデータストリームクラス、音声会議のデータストリームクラス、およびビデオ会議のデータストリームクラスに属すると、内容分類モデルを使用することによって、分類することの第２の信頼度は、それぞれ、１、０、および０であり、データストリームｃが、デスクトップクラウドのデータストリームクラス、音声会議のデータストリームクラス、およびビデオ会議のデータストリームクラスに属すると、パケット特徴に基づいて、挙動分類モデルを使用することによって、分類することの第１の信頼度は、それぞれ、０、０、および０．９である。したがって、３つのデータストリームクラスに対応する総合的な信頼度は、以下の通りである。

デスクトップクラウド：１×０．４＋０×０．６＝０．４であり、それは、θ１よりも小さい。したがって、現在のデータストリームは、デスクトップクラウドのデータストリームクラスに属さない。

ビデオ会議：０×０．４＋０．９×０．６＝０．５４であり、それは、θ１よりも大きい。したがって、現在のデータストリームは、ビデオ会議のデータストリームクラスに属する。

データストリームｃがビデオ会議のデータストリームクラスに属すると分類することの総合的な信頼度０．５４は、範囲（θ１，θ２）内にあるので、現在のデータストリームの特徴情報、およびデスクトップクラウドのデータストリームクラスについての情報は、第１のデバイスに送信される必要がある。それに対応して、第１のデバイスは、第２のデバイスによって送信された、現在のデータストリームの特徴情報、および第１のデータストリームクラスについての情報を受信し、すなわち、１つのデータストリームレコードが、第１のデバイスに追加される。図６に示されるように、データストリームｃのためのレコードが、追加される。

図６と図５を比較すると、データストリームｂのためのレコード、およびデータストリームｃのためのレコードについて、データストリームクラス（すなわち、アプリケーションタイプ）は、異なるが、（送信先ＩＰアドレス、送信先ポート番号、およびプロトコルタイプなどの）特徴情報は、同じであることが知られることができる。したがって、プロトコルタイプＴＣＰ、送信先ＩＰアドレス１０．１２９．５６．３９、および送信先ポート番号４４３のすべてに対応するデータストリームクラスが、デスクトップクラウドに対応するデータストリームクラスの代わりに、ビデオ会議のデータストリームクラスであるように、既存のレコードが、変更され、変更されていないレコードが、第１のレコードであり、変更されたレコードが、第２レコードである。

第１のレコードが、第２のレコードになるように更新され、内容分類モデルが、第２のレコードをトレーニングすることによって獲得された第１の情報に基づいて、更新された後に、データストリームｃが、更新された内容分類モデルに再び入力されたとき、データストリームｃがデスクトップクラウドのデータストリームクラスに属すると分類することの第２の信頼度は、０であり、データストリームｃがビデオ会議のデータストリームクラスに属すると分類することの第２の信頼度は、１であることが理解され得る。

スキーム２：第１のデータストリームクラスに対応する総合的な信頼度が、第２の事前設定されたしきい値よりも小さい場合、第２のデバイスは、現在のデータストリームの特徴情報、および第１のデータストリームクラスについての情報を、第１のデバイスに送信する必要はないが、新しい内容分類モデルを獲得するために、内容分類モデルを、現在のデータストリームの特徴情報と、第１のデータストリームクラスについての情報とに基づいて、更新し、第２の事前設定されたしきい値は、第１の事前設定されたしきい値よりも大きい。任意選択で、複数のレコードのうちの第１のレコードの特徴情報は、現在のデータストリームの特徴情報と同じであるが、第１のレコードのデータストリームクラスは、第１のデータストリームクラスと異なる場合、第２のデバイスは、第２のレコードを獲得するために、第１のレコードのデータストリームクラスを、第１のデータストリームクラスに更新し、複数のレコードの各々は、特徴情報と、データストリームクラスとを含み、また第２のデバイスは、新しい内容分類モデルを獲得するために、第２のレコードを含む複数のレコードをトレーニングする。理解を容易にするために、具体的な原理については、上述のソリューション１を参照し、第２のデバイスが、第１のデバイスに取って代わって、ソリューション１における動作を実行する。

ステップＳ３０４：第２のデバイスは、現在のデータストリームのデータストリームクラスについての情報を、運用支援システムＯＳＳに送信する。

具体的には、第２のデバイスは、現在のデータストリームのデータストリームクラスが、決定されるたびに、現在のデータストリームのデータストリームクラスについての情報を、ＯＳＳに送信し得る。例えば、データストリームａのデータストリームクラスが、初めて生成されたとき、データストリームａのデータストリームクラスについての情報が、ＯＳＳに送信される。データストリームｂのデータストリームクラスが、初めて生成されたとき、データストリームｂのデータストリームクラスについての情報が、ＯＳＳに送信される。データストリームａのデータストリームクラスが、２回目に生成されたとき、データストリームａのデータストリームクラスについての情報が、ＯＳＳに送信される。データストリームｂのデータストリームクラスが、２回目に生成されたとき、データストリームｂのデータストリームクラスについての情報が、ＯＳＳに送信される。データストリームｃのデータストリームクラスが、生成されたとき、データストリームｃのデータストリームクラスについての情報が、ＯＳＳに送信される。第２のデバイスが、ＯＳＳである場合、ステップＳ３０４は、実行される必要がないことが理解され得る。

ステップＳ３０５：ＯＳＳは、現在のデータストリームのデータストリームクラスについての情報に基づいて、現在のデータストリームのためのトラフィック制御ポリシを生成する。例えば、現在のデータストリームのデータストリームクラスについての情報が、現在のデータストリームが、ビデオデスクトップクラウドのデータストリームクラス、またはビデオ会議のデータストリームクラスに属することを示す場合、現在のデータストリームは、高プライオリティＱｏＳとして定義される。

ステップＳ３０６：ＯＳＳは、トラフィック制御ポリシを、転送デバイスまたは端末に送信する。

具体的には、転送デバイス１０３は、ルータまたはスイッチなどであり得、端末１０４は、上述の現在のデータストリームを出力する、デバイスである。転送デバイスまたは端末が、複数のデータストリームが送信されるべきことを見出したときに、トラフィック制御ポリシに従って、現在のデータストリームが高プライオリティＱｏＳであることを知った場合、転送デバイスまたは端末は、高プライオリティであるように構成された現在のデータストリームを優先的に送信する。

図３において説明された方法においては、挙動分類モデルおよび内容分類モデルが、関与させられる。挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいた、トレーニングを通して事前獲得され、内容分類モデルは、データストリームの特徴情報と、データストリームについてのものであり、挙動モデルを使用することによって分類された、データストリームクラスとに基づいた、トレーニングを通して獲得される。したがって、内容分類モデルは、オンライン学習モデルである。挙動分類モデルは、いくつかの基本的な（または典型的な）データストリームのデータストリームクラスを分類することができる。同じクラスのデータストリームの（パケット長およびパケット送信速度などの）いくつかの特徴は、その後の送信処理において、変化することがある。したがって、挙動分類モデルを使用することによって、データストリーム送信処理において、データストリームのデータストリームクラスを分類する際の、誤りを低減するために、データストリームのクラスは、内容分類モデルのオンライン学習特性と組み合わせて、（送信先アドレスおよびプロトコルタイプなどの）他の点に関して、分類される。結果として、本出願においては、挙動分類モデルと内容分類モデルが組み合わされた分類方式が、データストリームのデータストリームクラスを分類する精度を向上させ、分類汎用性を向上させるために、使用され、クラウドベースのアプリケーション展開、アプリケーション送信暗号化、およびプライベートアプリケーションなどの、複数のシナリオに適用されることができる。

上では、本発明の実施形態における方法を詳細に説明したが、以下では、本発明の実施形態における装置を提供する。

図７は、本発明の実施形態に従った、データストリーム分類デバイス７０の構造の概略図である。デバイス７０は、図３に示された方法の実施形態における、第２のデバイスであり得、デバイス７０は、第１の分類ユニット７０１と、第２の分類ユニット７０２と、決定ユニット７０３とを含み得る。ユニットの詳細な説明は、以下の通りである。

第１の分類ユニット７０１は、現在のデータストリームのパケット特徴と、挙動分類モデルとに基づいて、現在のデータストリームについてのものであり、少なくとも１つのデータストリームクラスに対応する、少なくとも１つの第１の信頼度を獲得するように構成され、挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいて、獲得される、モデルであり、パケット特徴は、パケット長、パケット送信速度、パケット時間間隔、およびパケット方向のうちの１つまたは複数を含む。

第２の分類ユニット７０２は、現在のデータストリームの特徴情報と、内容分類モデルとに基づいて、現在のデータストリームについてのものであり、少なくとも１つのデータストリームクラスに対応する、少なくとも１つの第２の信頼度を獲得するように構成され、特徴情報は、送信先アドレスと、プロトコルタイプとを含み、内容分類モデルは、１つまたは複数の過去のデータストリームの特徴情報およびデータストリームクラスに基づいて、獲得される、モデルであり、過去のデータストリームのデータストリームクラスは、挙動分類モデルに基づいて、獲得される。

決定ユニット７０３は、現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定するように構成される。

可能な実装においては、決定ユニット７０３が、現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定するように構成されることは、具体的には、
第１のデータストリームクラスに対応する総合的な信頼度を、第１のデータストリームクラスに対応する第１の信頼度と、第１の信頼度の重み値と、第１のデータストリームクラスに対応する第２の信頼度と、第２の信頼度の重み値とに基づいて、計算することであって、第１のデータストリームクラスは、少なくとも１つのデータストリームクラスのうちのいずれか１つであることと、
第１のデータストリームクラスに対応する総合的な信頼度が、第１の事前設定されたしきい値よりも大きい場合、現在のデータストリームのデータストリームクラスは、第１のデータストリームクラスであると決定すること
である。

別の可能な実装においては、デバイス７０は、
第１のデータストリームクラスに対応する総合的な信頼度が、第２の事前設定されたしきい値よりも小さいとき、現在のデータストリームの特徴情報、および第１のデータストリームクラスについての情報を、別のデバイス（例えば、図３に示される方法の実施形態における第１のデバイス）に送信するように構成された、第１の送信ユニットであって、第２の事前設定されたしきい値は、第１の事前設定されたしきい値よりも大きい、第１の送信ユニットと、
別のデバイス（例えば、図３に示される方法の実施形態における第１のデバイス）によって送信された第１の情報を受信するように構成された、受信ユニットであって、第１の情報は、現在のデータストリームの特徴情報と、第１のデータストリームクラスの識別情報とに基づいて、別のデバイス（例えば、図３に示される方法の実施形態における第１のデバイス）によって獲得される、受信ユニットと、
新しい内容分類モデルを獲得するために、内容分類モデルを、第１の情報に基づいて、更新するように構成された、更新ユニットと
をさらに含む。

別の可能な実装においては、デバイス７０は、
第１のデータストリームクラスに対応する総合的な信頼度が、第２の事前設定されたしきい値よりも小さいとき、新しい内容分類モデルを獲得するために、内容分類モデルを、現在のデータストリームの特徴情報と、第１のデータストリームクラスについての情報とに基づいて、更新するように構成された、更新ユニットであって、第２の事前設定されたしきい値は、第１の事前設定されたしきい値よりも大きい、更新ユニット
をさらに含む。

別の可能な実装においては、新しい内容分類モデルを獲得するために、内容分類モデルを、現在のデータストリームの特徴情報と、第１のデータストリームクラスについての情報とに基づいて、更新することは、具体的には、
複数のレコードのうちの第１のレコードの特徴情報は、現在のデータストリームの特徴情報と同じであるが、第１のレコードのデータストリームクラスは、第１のデータストリームクラスと異なる場合、第２のレコードを獲得するために、第１のレコードのデータストリームクラスを、第１のデータストリームクラスに更新することであって、複数のレコードの各々は、特徴情報と、データストリームクラスとを含むことと、
新しい内容分類モデルを獲得するために、第２のレコードを含む複数のレコードをトレーニングすること
である。

別の可能な実装においては、デバイス７０は、
決定ユニットが、現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定した後、現在のデータストリームのデータストリームクラスについての情報を、運用支援システムＯＳＳに送信するように構成された、第２の送信ユニットであって、現在のデータストリームのデータストリームクラスについての情報は、現在のデータストリームのためのトラフィック制御ポリシを生成するために、ＯＳＳによって、使用される、第２の送信ユニット
をさらに含む。

別の可能な実装においては、パケット長は、パケット内のイーサネットフレーム長、ＩＰ長、トランスポートプロトコル長、およびヘッダ長のうちの１つまたは複数を含み、トランスポートプロトコルは、伝送制御プロトコルＴＣＰ、および／またはユーザデータグラムプロトコルＵＤＰを含む。

ユニットの実装については、図３に示される方法の実施形態における、対応する説明を参照することに留意されたい。

図８は、本発明の実施形態に従った、データストリーム分類デバイス８０の構造の概略図である。デバイス８０は、図３に示された方法の実施形態における、第１のデバイスであり得、デバイス８０は、受信ユニット８０１と、生成ユニット８０２と、送信ユニット８０３とを含み得る。各ユニットの詳細な説明は、以下の通りである。

受信ユニット８０１は、現在のデータストリームについてのものであり、別のデバイス（例えば、図３に示された方法の実施形態における第２のデバイス）によって送信された、特徴情報およびデータストリームクラスについての情報を受信するように構成される。

生成ユニット８０２は、第１の情報を、現在のデータストリームについてのものである、特徴情報およびデータストリームクラスについての情報に基づいて、生成するように構成される。

送信ユニット８０３は、内容分類モデルを更新するために、第１の情報を、別のデバイス（例えば、図３に示される方法の実施形態における第２のデバイス）に送信するように構成され、内容分類モデルは、少なくとも１つのデータストリームクラスに対応する少なくとも１つの第２の信頼度を獲得するために使用され、内容分類モデルは、１つまたは複数の過去のデータストリームの特徴情報およびデータストリームクラスに基づいて、獲得される、モデルであり、過去のデータストリームのデータストリームクラスは、挙動分類モデルに基づいて、獲得され、挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいて獲得される、モデルであり、パケット特徴は、パケット長、パケット送信速度、パケット時間間隔、およびパケット方向のうちの１つまたは複数を含む。

デバイス８０においては、挙動分類モデルおよび内容分類モデルが、関与させられる。挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいた、トレーニングを通して事前獲得され、内容分類モデルは、データストリームの特徴情報と、データストリームについてのものであり、挙動モデルを使用することによって分類された、データストリームクラスとに基づいた、トレーニングを通して獲得される。したがって、内容分類モデルは、オンライン学習モデルである。挙動分類モデルは、いくつかの基本的な（または典型的な）データストリームのデータストリームクラスを分類することができる。同じクラスのデータストリームの（パケット長およびパケット送信速度などの）いくつかの特徴は、その後の送信処理において、変化することがある。したがって、挙動分類モデルを使用することによって、データストリーム送信処理において、データストリームのデータストリームクラスを分類する際の、誤りを低減するために、データストリームのクラスは、内容分類モデルのオンライン学習特性と組み合わせて、（送信先アドレスおよびプロトコルタイプなどの）他の点に関して、分類される。結果として、本出願においては、挙動分類モデルと内容分類モデルが組み合わされた分類方式が、データストリームのデータストリームクラスを分類する精度を向上させ、分類汎用性を向上させるために、使用され、クラウドベースのアプリケーション展開、アプリケーション送信暗号化、およびプライベートアプリケーションなどの、複数のシナリオに適用されることができる。

図９は、本発明の実施形態に従った、デバイス９０を示している。デバイス９０は、図３に示された方法の実施形態における、第２のデバイスであり得る。デバイス９０は、プロセッサ９０１と、メモリ９０２と、送受信機９０３とを含む。プロセッサ９０１、メモリ９０２、および送受信機９０３は、バスを介して、互いに接続される。

メモリ９０２は、ランダムアクセスメモリ（ｒａｎｄｏｍａｃｃｅｓｓｍｅｍｏｒｙ，ＲＡＭ）、リードオンリメモリ（ｒｅａｄ－ｏｎｌｙｍｅｍｏｒｙ，ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ｅｒａｓａｂｌｅｐｒｏｇｒａｍｍａｂｌｅｒｅａｄ－ｏｎｌｙｍｅｍｏｒｙ，ＥＰＲＯＭ）、またはコンパクトディスクリードオンリメモリ（ｃｏｍｐａｃｔｄｉｓｃｒｅａｄ－ｏｎｌｙｍｅｍｏｒｙ，ＣＤ－ＲＯＭ）を含むが、それらに限定されない。メモリ９０２は、関連するコンピュータプログラムおよびデータを記憶するように構成される。送受信機９０３は、データを受信および送信するように構成される。

プロセッサ９０１は、１つまたは複数の中央処理ユニット（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ，ＣＰＵ）であり得る。プロセッサ９０１が、１つのＣＰＵであるとき、ＣＰＵは、シングルコアＣＰＵであり得、またはマルチコアＣＰＵであり得る。

プロセッサ９０１は、メモリ９０２内に記憶されたコンピュータプログラムコードを読み、以下の動作、すなわち、
現在のデータストリームのパケット特徴と、挙動分類モデルとに基づいて、現在のデータストリームについてのものであり、少なくとも１つのデータストリームクラスに対応する、少なくとも１つの第１の信頼度を獲得することであって、挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいて、獲得される、モデルであり、パケット特徴は、パケット長、パケット送信速度、パケット時間間隔、およびパケット方向のうちの１つまたは複数を含むことと、
現在のデータストリームの特徴情報と、内容分類モデルとに基づいて、現在のデータストリームについてのものであり、少なくとも１つのデータストリームクラスに対応する、少なくとも１つの第２の信頼度を獲得することであって、特徴情報は、送信先アドレスと、プロトコルタイプとを含み、内容分類モデルは、１つまたは複数の過去のデータストリームの特徴情報およびデータストリームクラスに基づいて、獲得される、モデルであり、過去のデータストリームのデータストリームクラスは、挙動分類モデルに基づいて、獲得されることと、
現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定することと
を実行する。

可能な実装においては、現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定することは、具体的には、
第１のデータストリームクラスに対応する総合的な信頼度を、第１のデータストリームクラスに対応する第１の信頼度と、第１の信頼度の重み値と、第１のデータストリームクラスに対応する第２の信頼度と、第２の信頼度の重み値とに基づいて、計算することであって、第１のデータストリームクラスは、少なくとも１つのデータストリームクラスのうちのいずれか１つであることと、
第１のデータストリームクラスに対応する総合的な信頼度が、第１の事前設定されたしきい値よりも大きい場合、現在のデータストリームのデータストリームクラスは、第１のデータストリームクラスであると決定すること
である。

可能な実装においては、プロセッサは、
第１のデータストリームクラスに対応する総合的な信頼度が、第２の事前設定されたしきい値よりも小さい場合、現在のデータストリームの特徴情報、および第１のデータストリームクラスについての情報を、送受信機によって別のデバイス（例えば、図３に示される方法の実施形態における第１のデバイス）に送信することであって、第２の事前設定されたしきい値は、第１の事前設定されたしきい値よりも大きいことと、
別のデバイス（例えば、図３に示される方法の実施形態における第１のデバイス）によって送信された第１の情報を、送受信機によって受信することであって、第１の情報は、現在のデータストリームの特徴情報と、第１のデータストリームクラスの識別情報とに基づいて、別のデバイス（例えば、図３に示される方法の実施形態における第１のデバイス）によって獲得されることと、
新しい内容分類モデルを獲得するために、内容分類モデルを、第１の情報に基づいて、更新することと
を行うようにさらに構成される。

別の可能な実装においては、プロセッサは、
第１のデータストリームクラスに対応する総合的な信頼度が、第２の事前設定されたしきい値よりも小さい場合、新しい内容分類モデルを獲得するために、内容分類モデルを、現在のデータストリームの特徴情報と、第１のデータストリームクラスについての情報とに基づいて、更新することであって、第２の事前設定されたしきい値は、第１の事前設定されたしきい値よりも大きいこと
を行うようにさらに構成される。

別の可能な実装においては、プロセッサは、現在のデータストリームのデータストリームクラスを、少なくとも１つの第１の信頼度と、少なくとも１つの第２の信頼度とに基づいて、決定した後、現在のデータストリームのデータストリームクラスについての情報を、送受信機によって運用支援システムＯＳＳに送信することであって、現在のデータストリームのデータストリームクラスについての情報は、現在のデータストリームのためのトラフィック制御ポリシを生成するために、ＯＳＳによって、使用されることを行うようにさらに構成される。

別の可能な実装においては、パケット内のパケット長は、イーサネットフレーム長、ＩＰ長、トランスポートプロトコル長、およびヘッダ長のうちの１つまたは複数を含み、トランスポートプロトコルは、伝送制御プロトコルＴＣＰ、および／またはユーザデータグラムプロトコルＵＤＰを含む。

動作の実装については、図３に示される方法の実施形態における、対応する説明を参照することに留意されたい。

図１０は、本発明の実施形態に従った、デバイス１００を示している。デバイス１００は、図３に示された方法の実施形態における、第１のデバイスであり得る。デバイス１００は、プロセッサ１００１と、メモリ１００２と、送受信機１００３とを含む。プロセッサ１００１、メモリ１００２、および送受信機１００３は、バスを介して、互いに接続される。

メモリ１００２は、ランダムアクセスメモリ（ｒａｎｄｏｍａｃｃｅｓｓｍｅｍｏｒｙ，ＲＡＭ）、リードオンリメモリ（ｒｅａｄ－ｏｎｌｙｍｅｍｏｒｙ，ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ｅｒａｓａｂｌｅｐｒｏｇｒａｍｍａｂｌｅｒｅａｄ－ｏｎｌｙｍｅｍｏｒｙ，ＥＰＲＯＭ）、またはコンパクトディスクリードオンリメモリ（ｃｏｍｐａｃｔｄｉｓｃｒｅａｄ－ｏｎｌｙｍｅｍｏｒｙ，ＣＤ－ＲＯＭ）を含むが、それらに限定されない。メモリ１００２は、関連するコンピュータプログラムおよびデータを記憶するように構成される。送受信機１００３は、データを受信および送信するように構成される。

プロセッサ１００１は、１つまたは複数の中央処理ユニット（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ，ＣＰＵ）であり得る。プロセッサ１００１が、１つのＣＰＵであるとき、ＣＰＵは、シングルコアＣＰＵ、またはマルチコアＣＰＵであり得る。

プロセッサ１００１は、メモリ１００２内に記憶されたコンピュータプログラムコードを読み、以下の動作、すなわち、
現在のデータストリームについてのものであり、別のデバイス（例えば、図３に示される方法の実施形態における第２のデバイス）によって送信された、特徴情報およびデータストリームクラスについての情報を、送受信機によって受信することと、
第１の情報を、現在のデータストリームについてのものである、特徴情報およびデータストリームクラスについての情報に基づいて、生成することと、
内容分類モデルを更新するために、第１の情報を、送受信機によって別のデバイス（例えば、図３に示される方法の実施形態における第２のデバイス）に送信することであって、内容分類モデルは、少なくとも１つのデータストリームクラスに対応する少なくとも１つの第２の信頼度を獲得するために使用され、内容分類モデルは、１つまたは複数の過去のデータストリームの特徴情報およびデータストリームクラスに基づいて、獲得される、モデルであり、過去のデータストリームのデータストリームクラスは、挙動分類モデルに基づいて、獲得され、挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいて獲得される、モデルであり、パケット特徴は、パケット長、パケット送信速度、パケット時間間隔、およびパケット方向のうちの１つまたは複数を含むことと
を実行する。

上で説明されたいずれの装置の実施形態も、単なる例にすぎないことに留意されたい。別個のパーツとして説明されたユニットは、物理的に別個であってよく、またはそうでなくてよく、ユニットとして表示されたパーツは、物理的なユニットであってよく、またはそうでなくてよく、すなわち、１つの場所に配置されてよく、または複数のネットワークユニット上に分散されてよい。いくつかまたはすべてのモジュールは、実施形態のソリューションの目的を達成するための実際の必要に基づいて、選択されてよい。加えて、本発明によって提供されるネットワークデバイスまたはホストの実施形態の添付の図面においては、モジュール間の接続関係は、モジュールが、互いに通信接続を有することを示し、それは、具体的には、１つまたは複数の通信バスまたは信号ケーブルとして、実施され得る。当業者であれば、創造的な努力をすることなく、本発明の実施形態を理解し、実施し得る。

本発明の実施形態は、チップシステムをさらに提供する。チップシステムは、少なくとも１つのプロセッサと、メモリと、インターフェース回路とを含む。メモリ、送受信機、および少なくとも１つのプロセッサは、ラインを通して相互接続され、少なくとも１つのメモリは、コンピュータプログラムを記憶する。コンピュータプログラムが、プロセッサによって実行されたとき、図３に示される方法の手順が、実施される。

本発明の実施形態は、コンピュータ可読記憶媒体をさらに提供する。コンピュータ可読記憶媒体は、コンピュータプログラムを記憶し、コンピュータプログラムが、プロセッサ上において動作させられたとき、図３に示される方法の手順が、実施される。

本発明の実施形態は、コンピュータプログラム製品をさらに提供する。コンピュータプログラム製品が、プロセッサ上において動作したとき、図３に示される方法の手順が、実施される。

結論として、本出願においては、挙動分類モデルおよび内容分類モデルが、関与させられる。挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいた、トレーニングを通して事前獲得され、内容分類モデルは、データストリームの特徴情報と、データストリームについてのものであり、挙動モデルを使用することによって分類された、データストリームクラスとに基づいた、トレーニングを通して獲得される。したがって、内容分類モデルは、オンライン学習モデルである。挙動分類モデルは、いくつかの基本的な（または典型的な）データストリームのデータストリームクラスを分類することができる。同じクラスのデータストリームの（パケット長およびパケット送信速度などの）いくつかの特徴は、その後の送信処理において、変化することがある。したがって、挙動分類モデルを使用することによって、データストリーム送信処理において、データストリームのデータストリームクラスを分類する際の、誤りを低減するために、データストリームのクラスは、内容分類モデルのオンライン学習特性と組み合わせて、（送信先アドレスおよびプロトコルタイプなどの）他の点に関して、分類される。結果として、本出願においては、挙動分類モデルと内容分類モデルが組み合わされた分類方式が、データストリームのデータストリームクラスを分類する精度を向上させ、分類汎用性を向上させるために、使用され、クラウドベースのアプリケーション展開、アプリケーション送信暗号化、およびプライベートアプリケーションなどの、複数のシナリオに適用されることができる。

当業者であれば、上述の実施形態における方法の処理の全部または一部が、関連ハードウェアに命令するコンピュータプログラムによって、実施され得ることを理解し得る。コンピュータプログラムは、コンピュータ可読記憶媒体内に記憶され得る。コンピュータプログラムが、動作させられたとき、上述の方法の実施形態における処理が、実行される。上述の記憶媒体は、ＲＯＭ、ランダムアクセスメモリＲＡＭ、磁気ディスク、または光ディスクなど、コンピュータプログラムコードを記憶することができる、任意の媒体を含む。

本発明の実施形態においては、第１のデバイス、第１の信頼度、第１のデータストリームクラス、第１の事前設定されたしきい値、第１の情報、および第１のレコードにおける、「第１の」は、単に名前識別子として使用され、順序における第１を表すものではない。このルールは、「第２の」、「第３の」、および「第４の」などにも適用される。しかしながら、本発明の実施形態において言及された第１の識別子における「第１の」は、順序における第１を表す。このルールは、「第Ｎの」にも適用される。

本発明の目的、技術的ソリューション、および利点は、上述の具体的な実装において、さらに詳細に説明される。上述の説明は、単に本発明の具体的な実装であるにすぎず、本発明の保護範囲を限定することを意図していないことが、理解されるべきである。本発明の技術的ソリューションに基づいて行われる、いずれの変更、置換、または改善も、本発明の保護範囲内に含まれるものとする。

Claims

デバイスによって、現在のデータストリームのパケット特徴と、挙動分類モデルとに基づいて、前記現在のデータストリームについてのものであり、少なくとも１つのデータストリームクラスに対応する、少なくとも１つの第１の信頼度を獲得するステップであって、前記挙動分類モデルは、複数のデータストリームサンプルのパケット特徴およびデータストリームクラスに基づいて獲得されるモデルであり、前記パケット特徴は、パケット長、パケット送信速度、パケット時間間隔、およびパケット方向のうちの１つまたは複数を含む、ステップと、
前記デバイスによって、前記現在のデータストリームの特徴情報と、内容分類モデルとに基づいて、前記現在のデータストリームについてのものであり、前記少なくとも１つのデータストリームクラスに対応する、少なくとも１つの第２の信頼度を獲得するステップであって、前記特徴情報は、送信先アドレスと、プロトコルタイプとを含み、前記内容分類モデルは、１つまたは複数の過去のデータストリームの特徴情報およびデータストリームクラスに基づいて獲得されるモデルであり、前記過去のデータストリームの前記データストリームクラスは、前記挙動分類モデルに基づいて獲得される、ステップと、
前記デバイスによって、前記現在のデータストリームのデータストリームクラスを、前記少なくとも１つの第１の信頼度と、前記少なくとも１つの第２の信頼度とに基づいて決定するステップと、
前記デバイスによって、前記現在のデータストリームの前記データストリームクラスについての情報を、運用支援システム、ＯＳＳに送信するステップであって、前記現在のデータストリームのデータストリームクラスについての前記情報は、前記現在のデータストリームのためのトラフィック制御ポリシを生成するために、前記ＯＳＳによって使用される、ステップと
を含む、データストリーム分類方法。
前記現在のデータストリームのデータストリームクラスを、前記少なくとも１つの第１の信頼度と、前記少なくとも１つの第２の信頼度とに基づいて決定する前記ステップは、
第１のデータストリームクラスに対応する総合的な信頼度を、前記第１のデータストリームクラスに対応する前記第１の信頼度と、前記第１のデータストリームクラスに対応する前記第２の信頼度とに基づいて計算するステップであって、前記第１のデータストリームクラスは、前記少なくとも１つのデータストリームクラスのうちのいずれか１つである、ステップと、
前記第１のデータストリームクラスに対応する前記総合的な信頼度が、第１の事前設定されたしきい値よりも大きい場合、前記現在のデータストリームの前記データストリームクラスは、前記第１のデータストリームクラスであると決定するステップと
を含む、請求項１に記載の方法。
前記現在のデータストリームのデータストリームクラスを、前記少なくとも１つの第１の信頼度と、前記少なくとも１つの第２の信頼度とに基づいて決定する前記ステップは、
第１のデータストリームクラスに対応する総合的な信頼度を、前記第１のデータストリームクラスに対応する前記第１の信頼度と、前記第１の信頼度の重み値と、前記第１のデータストリームクラスに対応する前記第２の信頼度と、前記第２の信頼度の重み値とに基づいて計算するステップであって、前記第１のデータストリームクラスは、前記少なくとも１つのデータストリームクラスのうちのいずれか１つである、ステップと、
前記第１のデータストリームクラスに対応する前記総合的な信頼度が、第１の事前設定されたしきい値よりも大きい場合、前記現在のデータストリームの前記データストリームクラスは、前記第１のデータストリームクラスであると決定するステップと
を含む、請求項１に記載の方法。
前記第１のデータストリームクラスに対応する前記総合的な信頼度が、第２の事前設定されたしきい値よりも小さい場合、前記デバイスによって、前記現在のデータストリームの前記特徴情報、および前記第１のデータストリームクラスについての情報を、他のデバイスに送信するステップであって、前記第２の事前設定されたしきい値は、前記第１の事前設定されたしきい値よりも大きい、ステップと、
前記他のデバイスによって送信された第１の情報を、前記デバイスによって受信するステップであって、前記第１の情報は、前記現在のデータストリームの前記特徴情報と、前記第１のデータストリームクラスの識別情報とに基づいて、前記他のデバイスによって獲得される、ステップと、
前記デバイスによって、新しい内容分類モデルを獲得するために、前記内容分類モデルを、前記第１の情報に基づいて更新するステップと
をさらに含む、請求項２または３に記載の方法。
前記第１のデータストリームクラスに対応する前記総合的な信頼度が、第２の事前設定されたしきい値よりも小さい場合、前記デバイスによって、新しい内容分類モデルを獲得するために、前記内容分類モデルを、前記現在のデータストリームの前記特徴情報と、前記第１のデータストリームクラスについての情報とに基づいて更新するステップであって、前記第２の事前設定されたしきい値は前記第１の事前設定されたしきい値よりも大きい、ステップ
をさらに含む、請求項２または３に記載の方法。
新しい内容分類モデルを獲得するために、前記内容分類モデルを、前記現在のデータストリームの前記特徴情報と、前記第１のデータストリームクラスについての情報とに基づいて更新する前記ステップは、
複数のレコードのうちの第１のレコードの特徴情報は前記現在のデータストリームの前記特徴情報と同じであるが、前記第１のレコードのデータストリームクラスは前記第１のデータストリームクラスと異なる場合、第２のレコードを獲得するために、前記第１のレコードの前記データストリームクラスを、前記第１のデータストリームクラスに更新するステップであって、前記複数のレコードの各々は、特徴情報と、データストリームクラスとを含む、ステップと、
前記新しい内容分類モデルを獲得するために、前記第２のレコードを含む複数のレコードをトレーニングするステップと
を含む、請求項５に記載の方法。
前記パケット長は、パケット内のイーサネットフレーム長、ＩＰ長、トランスポートプロトコル長、およびヘッダ長のうちの１つまたは複数を含み、トランスポートプロトコルは、伝送制御プロトコル、ＴＣＰ、および／またはユーザデータグラムプロトコル、ＵＤＰを含む、請求項１から６のいずれか一項に記載の方法。
請求項１から７のいずれか一項に記載の方法を実行するように構成されたユニットを備える、データストリーム分類デバイス。
コンピュータプログラムを記憶するコンピュータ可読記憶媒体であって、前記コンピュータプログラムがプロセッサ上で動作するとき、請求項１から７のいずれか一項に記載の方法が実装される、コンピュータ可読記憶媒体。
メモリに記憶されたコンピュータプログラムであって、プロセッサ上で動作するとき、請求項１から７のいずれか一項に記載の方法が実装される、コンピュータプログラム。