多重神经网络下的数据流量识别与分配方法、系统及设备技术方案

本发明专利技术公开了多重神经网络下的数据流量识别与分配方法、系统及设备，属于互联网通信技术领域。该方法包括：实时获取动态操作行为信息；基于动态操作行为信息及预设的类别标记规则标记当前动态操作行为下的网络流量所属的业务类型；对标记的网络流量信息进行预处理，得到样本数据集；建立卷积神经网络，用于提取样本数据集中的数据流量特征，得到数据流量识别结果；建立胶囊神经网络，用于数据流量分配，得到数据流量分配结果。建立LSTM循环神经网络，并通过LSTM循环神经网络对数据流量分配结果进行预测，预测出未来可能采用的针对新流量服务所需的流量分配方式并输出。本发明专利技术提高了数据流量状态的识别及分配的效率和准确率。了数据流量状态的识别及分配的效率和准确率。了数据流量状态的识别及分配的效率和准确率。

【技术实现步骤摘要】
多重神经网络下的数据流量识别与分配方法、系统及设备


[0001]本专利技术涉及互联网通信
，更具体的说是涉及多重神经网络下的数据流量识别与分配方法、系统及设备。

技术介绍

[0002]SDN是一种软件集中控制、网络开放的三层体系架构。应用层实现对网络业务的呈现和网络模型的抽象；控制层实现网络操作系统功能，集中管理网络资源；转发层实现分组交换功能。应用层与控制层之间的北向接口是网络开放的核心，控制层的产生实现了控制面与转发面的分离，是集中控制的基础。SDN最主要的特征就是数据转发和控制分离，同时还具有网络虚拟化和开放接口等特征，如下。
[0003]数据转发和控制分离：将基础硬件与业务实现分离，其硬件仅负责数据转发和存储，因此可以采用相对廉价的通用设备构建网络基础设施。且将控制与转发分离后，更利于网络的集中控制，使得控制层获得网络资源的全局信息，并根据业务需求进行流量的全局调配和优化，例如流量工程、负载均衡等。同时，集中控制还使得整个网络可在逻辑上被视作是一台设备进行运行和维护，无需对物理设备进行现场配置，从而提升了网络控制的便捷性。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多重神经网络下的数据流量识别与分配方法，其特征在于，包括以下步骤：S100：实时获取动态操作行为信息；S200：基于动态操作行为信息及预设的类别标记规则标记当前动态操作行为下的网络流量所属的业务类型；S300：对标记的网络流量信息进行预处理，得到样本数据集；S400：建立卷积神经网络，用于提取样本数据集中的数据流量特征，得到数据流量识别结果；S500：建立胶囊神经网络，用于数据流量分配，得到数据流量分配结果。2.根据权利要求1所述的一种多重神经网络下的数据流量识别与分配方法，其特征在于，所述动态操作行为信息包括：Socket信息、触发瞬态流量信息。3.根据权利要求1所述的一种多重神经网络下的数据流量识别与分配方法，其特征在于，所述S200：基于动态操作行为信息及预设的类别标记规则标记当前动态操作行为下的网络流量所属的业务类型，包括：S210：分析动态操作行为信息，解析当前动态操作行为下的网络流量，过滤出TCP报文和UDP报文，并对网络流量进行组流操作；S220：针对任一条网络流，结合对应的Socket信息及预设的类别标记规则查询到此条网络流所属的业务类型，并将其作为此条网络流的类别标记；S230：生成带业务类型标记的流记录。4.根据权利要求1所述的一种多重神经网络下的数据流量识别与分配方法，其特征在于，所述S300：对标记的网络流量信息进行预处理，得到样本数据集，包括：S310：将标记相同的网络流量与相应的标记组合成集合Xa，其中，X为一条网络流量，a为业务类型；S320：计算每个样本xi属于Xa的样本差距；样本差距计算公式如下：其中，dis(w
x
)表示样本xi的样本差距，N是样本的维度，x
ik
表示xi第k维上的值；S330：根据样本差距对已标记样本数据集Xa进行扩展，得到扩展后的样本数据集Xa
′
。5.根据权利要求1所述的一种多重神经网络下的数据流量识别与分配方法，其特征在于，所述S400：建立卷积神经网络，用于提取样本数据集中的数据流量特征，得到数据流量识别结果，包括：S410：构建卷积神经网络，所述卷积神经网络的结构为多层依次级联的空间时间卷积块，所述空间时间卷积块包括空间卷积块、时间卷积块；其中空间卷积块的处理数据操作使用了依次级联的线性层、BatchNorm层以及ReLU层；S420：设样本数据集Xa
′
中样本个数为m，分别从每条样本中提取n个特征，构建矩阵A：
其中，m和n均为正整数；矩阵A中任一元素a
mn
表示第m条数据流的第n个特征；S430：对矩阵A进行归一化处理获得特征...

【专利技术属性】
技术研发人员：杨贻宏，
申请(专利权)人：上海人工智能网络系统工程技术研究中心有限公司，
类型：发明
国别省市：