基于动态时间规整算法的网络流量精细化分类方法和装置制造方法及图纸

本发明专利技术涉及一种基于动态时间规整算法的网络流量精细化分类方法和装置。该方法包括：1)采集网络流量中的数据包的到达时间序列，对其进行归一化处理并转换为梯度序列，作为模板序列；2)采集待识别网络流量中数据包的到达时间序列，对其进行归一化处理并转换为梯度序列，作为检测序列；3)通过动态时间规整算法规整检测序列和模板序列，并计算其相似度；4)将检测序列和模板序列的相似度与预设的相似度阈值做比较，实现待识别网络流量的分类。本发明专利技术可以应用于高速网络环境下实时自动化的流量精细化分类，可以解决加密流量和网络延迟带来的难以精细化分类的问题。

【技术实现步骤摘要】
基于动态时间规整算法的网络流量精细化分类方法和装置
本专利技术属于信息
，具体涉及一种基于动态时间规整算法的网络流量精细化分类方法和装置。
技术介绍
近年来，随着各种网络应用类型越来越丰富，互联网带宽、用户量呈现出爆发式的增长。加密协议、私有协议得到了越来越广泛的应用，传统的流量分类方法在应用层精细化分类领域全面失效。早期的流量分类主要包括基于数据包头的分类技术、基于载荷的分类技术、基于机器学习的分类技术和基于行为的分类技术。基于数据包头的网络流分类技术是基于包头的五元组信息，以及包头中的标志字段来确定数据包的，主要的方法是基于端口的方法。基于载荷的分类技术，主要是利用数据包的载荷部分对应用层协议进行识别，此方法需要事先详细分析待识别的应用层协议，找出其交互过程中不同于其他任何协议的特定字段，作为该协议的特征。随着传统端口方法、精确特征方法对于随机端口、加密协议的失效，机器学习方法被引入到网络流分类技术中，根据网络流信息具有的统计特征来对网络流量进行分类。基于行为特征的方法将离线网络流量的行为特征进行分析，用于在线的识别。早期的网络协议识别主要采用基于数据包的方法，对协议的识别本文档来自技高网...

【技术保护点】
1.一种基于动态时间规整算法的网络流量精细化分类方法，其特征在于，包括以下步骤：1)采集网络流量中的数据包的到达时间序列，对其进行归一化处理并转换为梯度序列，作为模板序列；2)采集待识别网络流量中数据包的到达时间序列，对其进行归一化处理并转换为梯度序列，作为检测序列；3)通过动态时间规整算法规整检测序列和模板序列，并计算其相似度；4)将检测序列和模板序列的相似度与预设的相似度阈值做比较，实现待识别网络流量的分类。

【技术特征摘要】
1.一种基于动态时间规整算法的网络流量精细化分类方法，其特征在于，包括以下步骤：1)采集网络流量中的数据包的到达时间序列，对其进行归一化处理并转换为梯度序列，作为模板序列；2)采集待识别网络流量中数据包的到达时间序列，对其进行归一化处理并转换为梯度序列，作为检测序列；3)通过动态时间规整算法规整检测序列和模板序列，并计算其相似度；4)将检测序列和模板序列的相似度与预设的相似度阈值做比较，实现待识别网络流量的分类。2.如权利要求1所述的方法，其特征在于，步骤1)和步骤2)将数据包到达的时间间隔变化率序列转换为梯度序列，采用该梯度序列作为时序特性来描述数据包到达时间的梯度变化。3.如权利要求1或2所述的方法，其特征在于，所述转换为梯度序列包括：a)设数据包的到达时间序列为T＝(t1,t2,…,ti,…,tL)，其中ti代表第i个数据包的到达时间，共计L个数据包；b)设置常量作为数据包的间隔个数，计算出数据包到达时间序列T中每隔C个数据包的时间间隔变化率序列ΔT，ΔT的长度N为：N＝|(L-1)/(C-1)|；时间间隔序列ΔT表示成ΔT＝(Δt1,Δt2,…,Δti,…,ΔtN)，其中Δti表示为：Δti＝t(C-1)*(j+1)-(C-2)-t(C-1)*j-(C-2),i∈1,2,...,N；c)计算ΔT的梯度序列M＝(m1,m2,...,mk,...,mN-1)，并作为时序特性，其中mk表示为：mk＝(Δtk+1-Δtk)/(k+1-k)＝Δtk+1-Δtk,k∈1,2,...,N-1。4.如权利要求1所述的方法，其特征在于，步骤3)通过计算检测序列与模板序列之间的欧氏距离得到所述相似度。5.如权利要求1所述的方法，其特征在于，步骤4)中，若计算得到的检测序列与模板序列之间的欧氏距离小于所述相似度阈值，则判定属于同一类。6.一种基于动态时间规整算法的网络流量精细化分类装置，其特征在于，包括：模板序列获取单元，用于采集网络流量中的数据...

【专利技术属性】
技术研发人员：夏葳，石俊峥，熊刚，李镇，
申请(专利权)人：中国科学院信息工程研究所，
类型：发明
国别省市：北京,11