【技术实现步骤摘要】
流量识别方法、装置、电子设备及存储介质
本专利技术实施例涉及IT应用
，特别涉及一种流量识别的方法、装置、电子设备及存储介质。
技术介绍
互联网业务的快速发展，使得各类网络应用层出不穷，这些网络应用给我们的生活带来便利的同时，也随之产生了异常庞大的网络流量，在海量的网络流量中如何准确有效地识别出部分网络应用所产生的流量，这对流量监控、入侵检测及用户行为分析等网络安全管理具有重要的实际应用价值。传统的流量识别方法，主要是有基于端口的流量识别方法、基于负载的流量识别方法、基于主机行为的流量识别方法以及基于机器学习的流量识别方法。专利技术人发现，理论上这些方法均适用于网络应用的流量识别，但这些方法一般需要依赖端口号、负载信息及大量特征数据，导致计算复杂度偏高且识别准确性较低。
技术实现思路
本专利技术实施方式的目的在于提供一种流量识别方法、装置、电子设备及存储介质，其能够解决依赖端口号及负载信息，导致计算复杂度偏高且异常流量识别准确性较低的问题。为解决上述技术问题，本专利技术的实施方式提供...
【技术保护点】
1.一种流量识别方法，其特征在于，所述方法包括：/n将待识别流量数据输入至流量分类模型中，在所述流量分类模型内，利用深度堆栈自编码器计算所述待识别流量数据的流量分类，得到流量分类子集；/n将所述流量分类子集输入至流量识别模型中进行卷积池化操作得到流量特征集，并根据所述流量特征集，计算得到流量识别结果。/n
【技术特征摘要】
1.一种流量识别方法，其特征在于，所述方法包括：
将待识别流量数据输入至流量分类模型中，在所述流量分类模型内，利用深度堆栈自编码器计算所述待识别流量数据的流量分类，得到流量分类子集；
将所述流量分类子集输入至流量识别模型中进行卷积池化操作得到流量特征集，并根据所述流量特征集，计算得到流量识别结果。
2.根据权利要求1所述的流量识别方法，其特征在于，所述方法还包括构建所述流量分类模型，其中，所述构建所述流量分类模型包括：
利用深度堆栈自编码器及BP神经网络模型构建包括输入层、隐藏层及输出层的神经网络；
设置所述神经网络中输入层及输出层的神经元个数得到所述流量分类模型。
3.根据权利要求2所述的流量识别方法，其特征在于，所述方法还包括训练所述流量分类模型，其中所述训练所述流量分类模型包括：
获取训练流量集，将所述训练流量集进行预处理及分类，得到有标记的训练流量集和无标记的训练流量集；
确定所述流量分类模型的批量处理尺寸，根据所述批量处理尺寸，使用所述无标记的训练流量集训练所述深度堆栈自编码器以调整所述深度堆栈自编码器的内部参数值；
利用所述流量分类模型对所述有标记的训练流量集执行计算，得到误差值，根据所述误差值调整所述流量分类模型的内部参数值，直至所述误差值满足预设要求时，得到训练完成的所述流量分类模型。
4.根据权利要求3所述的流量识别方法，其特征在于，所述利用所述流量分类模型对所述有标记的训练流量集执行计算，得到误差值，根据所述误差值调整所述流量分类模型的内部参数值，包括：
根据所述批量处理尺寸从所述有标记的训练流量集提取有标记训练流量，并输入至所述流量分类模型，计算得到预测分类数；
计算所述预测分类数与预设的流量分类数的误差值；
在所述误差...
【专利技术属性】
技术研发人员：李姣姣，刘梦霖，智绪龙，
申请(专利权)人：中移杭州信息技术有限公司，中国移动通信集团有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。