一种网络流量数据转发方法、装置、设备及介质制造方法及图纸

本申请公开了一种网络流量数据转发方法、装置、设备及介质，包括：利用目标神经网络模型提取当前网络流量数据的特征编码，得到第一特征编码；将所述第一特征编码与缓存中的各特征编码进行匹配，以得到与所述第一特征编码类别相同的第二特征编码；确定所述缓存中的与所述第二特征编码对应的规则编号，得到目标规则编号；利用所述目标规则编号对应的规则转发当前的所述网络流量数据。这样，能够避免流量拆包以及匹配流表的过程，从而提升网络流量数据转发效率。发效率。发效率。

【技术实现步骤摘要】
一种网络流量数据转发方法、装置、设备及介质


[0001]本申请涉及网络流量数据转发
，特别涉及一种网络流量数据转发方法、装置、设备及介质。

技术介绍

[0002]随着云计算的发展，用户的海量应用和各种业务系统对网络提出了更高的要求，因此，SDN(即Software Defined Network，软件定义网络)应运而生。其中，SDN交换机用于转发网络数据。
[0003]目前，对于进入SDN交换机的每一条新到流量，均需通过拆解流量包，获取特定数据然后匹配对应的流表，再按照流表指定的动作进行转发，并且匹配流表的过程需要遍历很多流表，非常消耗时间。

技术实现思路

[0004]有鉴于此，本申请的目的在于提供一种网络流量数据转发方法、装置、设备及介质，能够避免流量拆包以及匹配流表的过程，从而提升网络流量数据转发效率。其具体方案如下：
[0005]第一方面，本申请公开了一种网络流量数据转发方法，包括：
[0006]利用目标神经网络模型提取当前网络流量数据的特征编码，得到第一特征编码；
[0007]将所述第一特征编码与缓存中的各特征编码进行匹配，以得到与所述第一特征编码类别相同的第二特征编码；
[0008]确定所述缓存中的与所述第二特征编码对应的规则编号，得到目标规则编号；
[0009]利用所述目标规则编号对应的规则转发当前的所述网络流量数据。
[0010]可选的，还包括：
[0011]获取APN训练样本数据集；其中，所述APN训练样本数据集中包括第一训练样本，第二训练样本以及第三训练样本，并且，所述第二训练样本为与所述第一训练样本类别相同的样本，所述第三训练样本为与所述第一训练样本类别不同的训练样本；
[0012]利用所述APN训练样本数据集对神经网络模型进行训练，并在训练过程中，确定所述第一训练样本与所述第二训练样本的相似度以及所述第一训练样本与所述第三训练样本的相似度之间的差值，当所述差值大于预设阈值，则将当前的神经网络模型确定为所述目标神经网络模型。
[0013]可选的，所述将所述第一特征编码与缓存中的各特征编码进行匹配，以得到与所述第一特征编码类别相同的第二特征编码，包括：
[0014]计算所述第一特征编码与缓存中的各特征编码的欧拉距离，将最小欧拉距离且欧拉距离小于预设相似度阈值的特征编码作为第二特征编码。
[0015]可选的，所述将所述第一特征编码与缓存中的各特征编码进行匹配之前，还包括：
[0016]利用所述目标神经网络模型提取各类别的网络流量数据的特征编码；
[0017]将提取到的特征编码以及特征编码对应的规则编号存入所述缓存。
[0018]可选的，所述利用目标神经网络模型提取当前网络流量数据的特征编码，得到第一特征编码；将所述第一特征编码与缓存中的各特征编码进行匹配，得到与所述第一特征编码类别相同的第二特征编码，包括：
[0019]通过神经网络加速芯片，利用目标神经网络模型提取当前网络流量数据的特征编码，得到第一特征编码，将所述第一特征编码与缓存中的各特征编码进行匹配，得到与所述第一特征编码类别相同的第二特征编码。
[0020]可选的，还包括：
[0021]若在所述缓存中没有匹配到与所述第一特征编码类别相同的特征编码，则将当前的所述网络流量数据与各规则进行依次匹配，直到匹配出对应的目标规则；
[0022]利用所述目标规则转发当前的所述网络流量数据。
[0023]可选的，还包括：
[0024]将所述目标规则对应的规则编号以及所述第一特征编码存入所述缓存。
[0025]第二方面，本申请公开了一种网络流量数据转发装置，包括：
[0026]特征编码提取模块，用于利用目标神经网络模型提取当前网络流量数据的特征编码，得到第一特征编码；
[0027]特征编码匹配模块，用于将所述第一特征编码与缓存中的各特征编码进行匹配，以得到与所述第一特征编码类别相同的第二特征编码；
[0028]规则编号确定模块，用于确定所述缓存中的与所述第二特征编码对应的规则编号，得到目标规则编号；
[0029]流量数据转发模块，用于利用所述目标规则编号对应的规则转发当前的所述网络流量数据。
[0030]第三方面，本申请公开了一种电子设备，包括处理器和存储器；其中，
[0031]所述存储器，用于保存计算机程序；
[0032]所述处理器，用于执行所述计算机程序以实现前述的网络流量数据转发方法。
[0033]第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述的网络流量数据转发方法。
[0034]可见，本申请先利用目标神经网络模型提取当前网络流量数据的特征编码，得到第一特征编码，之后将所述第一特征编码与缓存中的各特征编码进行匹配，以得到与所述第一特征编码类别相同的第二特征编码，之后确定所述缓存中的与所述第二特征编码对应的规则编号，得到目标规则编号，最后利用所述目标规则编号对应的规则转发当前的所述网络流量数据。这样，先利用神经网络模型提取网络流量数据的特征编码，在缓存中匹配出与该特征编码同类别的特征编码，缓存中包括预存的特征编码对应的规则编号，根据规则编号直接匹配到相应的规则，转发网络数据，能够避免流量拆包以及匹配流表的过程，从而提升网络流量数据转发效率。
附图说明
[0035]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0036]图1为本申请公开的一种网络流量数据转发方法流程图；
[0037]图2为本申请公开的一种具体的神经网络模型示意图；
[0038]图3为本申请公开的一种具体的神经网络模型训练示意图；
[0039]图4为本申请公开的一种具体的网络流量数据转发方法流程图；
[0040]图5为本申请公开的一种具体的网络流量数据转发流程图；
[0041]图6为本申请公开的一种网络流量数据转发装置结构示意图；
[0042]图7为本申请公开的一种电子设备结构图。
具体实施方式
[0043]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0044]目前，对于进入SDN交换机的每一条新到流量，均需通过拆解流量包，获取特定数据然后匹配对应的流表，再按照流表指定的动作进行转发，并且匹配流表的过程是需要遍历很多流表，非常消耗时间。为此，本申请提供了一种网络流量数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络流量数据转发方法，其特征在于，包括：利用目标神经网络模型提取当前网络流量数据的特征编码，得到第一特征编码；将所述第一特征编码与缓存中的各特征编码进行匹配，以得到与所述第一特征编码类别相同的第二特征编码；确定所述缓存中的与所述第二特征编码对应的规则编号，得到目标规则编号；利用所述目标规则编号对应的规则转发当前的所述网络流量数据。2.根据权利要求1所述的网络流量数据转发方法，其特征在于，还包括：获取APN训练样本数据集；其中，所述APN训练样本数据集中包括第一训练样本，第二训练样本以及第三训练样本，并且，所述第二训练样本为与所述第一训练样本类别相同的样本，所述第三训练样本为与所述第一训练样本类别不同的训练样本；利用所述APN训练样本数据集对神经网络模型进行训练，并在训练过程中，确定所述第一训练样本与所述第二训练样本的相似度以及所述第一训练样本与所述第三训练样本的相似度之间的差值，当所述差值大于预设阈值，则将当前的神经网络模型确定为所述目标神经网络模型。3.根据权利要求1所述的网络流量数据转发方法，其特征在于，所述将所述第一特征编码与缓存中的各特征编码进行匹配，以得到与所述第一特征编码类别相同的第二特征编码，包括：计算所述第一特征编码与缓存中的各特征编码的欧拉距离，将最小欧拉距离且欧拉距离小于预设相似度阈值的特征编码作为第二特征编码。4.根据权利要求1所述的网络流量数据转发方法，其特征在于，所述将所述第一特征编码与缓存中的各特征编码进行匹配之前，还包括：利用所述目标神经网络模型提取各类别的网络流量数据的特征编码；将提取到的特征编码以及特征编码对应的规则编号存入所述缓存。5.根据权利要求1所述的网络流量数据转发方法，其特征在于，所述利用目标神经网络模型提取当前网络...

【专利技术属性】
技术研发人员：晏海龙，颜秉珩，
申请(专利权)人：济南浪潮数据技术有限公司，
类型：发明
国别省市：