【技术实现步骤摘要】
基于一维卷积神经网络模型的多媒体流细分类方法
[0001]本专利技术属于流媒体
，更具体地，本专利技术涉及一种基于一维卷积神经网络模型的多媒体流细分类方法。
技术介绍
[0002]随着网络技术的快速发展，网络中充满着各种各样的业务流信息，如何实现这些流信息的分类是实现网络监督，从而合理分配网络资源的重要依据。传统的网络流分类方式包括：基于深度包检测(DPI，Deep Packet Inspection)的流分类方式和机器学习(ML，Machine Learning)方式。但传统的流分类算法有着明显的局限性，对特征及特征分类方法要求较高，但面对不同类型的数据或者分类要求，无法确定一种普世的方法，分类方法也面临同样的问题。每种分类方法有其对应的优点和缺点，有擅长处理数据的同时也面临无法解决的数据问题。
[0003]由于网络流种类的增多，传统的机器学习ML算法越来越不能适应要求。而深度学习(DL,Deep learning)是ML一个新的研究方向，是一种自我学习和分析样本内在规律的算法，它在语音和图像方面取得的效果，...
【技术保护点】
【技术特征摘要】
1.一种基于一维卷积神经网络模型的多媒体流细分类方法，其特征在于，所述方法具体包括如下步骤：S1、将采集到的网络流的速率概率分布特征及其对应细粒度分类的作为训练样本；S2、基于训练样本对一维卷积神经网络模型进行训练，直至softmax分类器中的信息熵损失函数值达到设定值，或者是训练次数达到次数阈值，则输出已训练好的一维卷积神经网络模型；S3、将待识别的网络流输入训练好的一维卷积神经网络模型中，通过softmax分类器输出网络流的细粒度分类，细粒度分类包括：标清、流畅及高清。2.如权利要求1所述一种基于一维卷积神经网络模型的多媒体流细分类方法，其特征在于，网络流的速率概率分布值特征采集方法具体包括如下步骤：S11、获取网络流数据，提取网络流数据中的流到达时间及数据包的字节数信息；S12、计算网络流数据的传输速率值，并标准化网络流数据的传输速率值；S13、统计网络流数据传输速率值的分布概率值，即为网络流的速率概率分布特征。3.如权利要求2所述所述一种基于一维卷积神经网络模型的多媒体流细分类方法，其特征在于...
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。