一种基于自动机器学习的路由器流量识别系统及方法技术方案

本发明专利技术公开了一种基于自动机器学习的路由器流量识别系统及方法，涉及网络流量识别技术领域，首先通过路由器管理平台采集PCAP格式的原始加密流量包；其次对采集到的PCAP格式的原始加密流量包进行流量特征提取，然后数据处理模块对特征提取后的数据集进行数据预处理，生成训练数据集；紧接着基于自动机器学习方法，通过两个模型训练子模块，经过超参数自动优化训练出流量识别模型；本发明专利技术将自动机器学习的方法运用在路由器上的流量识别方案上，用于解决路由器上流量识别的问题。于解决路由器上流量识别的问题。于解决路由器上流量识别的问题。

【技术实现步骤摘要】
一种基于自动机器学习的路由器流量识别系统及方法


[0001]本专利技术涉及网络流量识别
，特别是涉及一种基于自动机器学习的路由器流量识别系统及方法。

技术介绍

[0002]随着家庭路由器和智能设备的普及，家庭中接入网络的设备越来越多，可能会出现低优先级设备抢占高优先级设备带宽资源的情况，未来路由器需要针对此情况优化网络资源，并有着控制各种设备应用带宽的需求。然而目前传统路由器无法有效识别加密流量，从而难以有效对各设备应用带宽进行调度，给未来家庭路由器优化网络资源带来巨大挑战。
[0003]人工智能技术的发展为加密流量分类领域打开了新思路，目前，主流的加密流量分类技术主要包括基于机器学习的加密流量分类方法和基于深度学习的加密流量分类方法两类。
[0004]基于机器学习的加密流量分类方法通常需要从原始加密流量中提取各项特 征，用机器学习模型做分类。研究所使用的特征主要有两类：第一类为流特征，例如流持续时间、每秒流比特数等；第二类为包特征，例如包大小、包方向等。然而，传统机器学习存在以下问题：一是需要人工选择算法、模型并调参；二本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自动机器学习的路由器流量识别系统，其特征在于：包括基础环境层和云平台层，基础环境层包括计算资源和网络资源，用于采集和存储训练数据，基础环境层设置为路由器；云平台层包括路由器管理平台和自动机器学习平台；路由器管理平台包括资源管理模块、数据采集模块、特征工程模块、数据预处理模块以及模型记录模块；资源管理模块用于对路由器资源调度进行控制管理；数据采集模块用于实时采集流量数据；特征工程模块用于对所采集到的流量数据进行特征提取；数据预处理模块用于对特征提取后的数据集进行数据预处理，生成训练数据集；模型记录模块用于对生成模型的参数及准确率进行记录；自动机器学习管理平台包括卷积神经网络模块、AutoGluon模块、超参数优化模块以及流量识别模块，卷积神经网络模块和AutoGluon模块都用于生成路由器流量识别模型；超参数优化模块用于辅助卷积神经网络模块和AutoGluon模块的参数优化；流量识别模块用于选择更好的路由器流量识别模型并负责后续分析和使用任务。2.根据权利要求1所述的一种基于自动机器学习的路由器流量识别方法，其特征在于：包括以下步骤S1、通过特征工程模块对原始加密流量包进行采集；S2、通过特征工程模块对采集到的原始加密流量包进行流量特征提取；S3、通过数据预处理模块对特征提取后的数据集进行数据预处理，生成训练数据集；S4、在云平台层管理下，路由器基于自动机器学习管理平台提供的自动机器学习方法利用训练数据集生成路由器流量识别模型；S5、流量识别模块输出分类结果，自动机器学习管理平台保存训练好的模型与参数供后续分析与识别任务使用。3.根据权利要求2所述的一种基于自动机器学习的路由器流量识别方法，其特征在于：所述步骤S1中，采集PCAP格式的原始加密流量包，原始加密流量包包括17个流特征向量，分别为发送端包数量、接收端包数量、总包数量、发送端包长期望、接收端包长期望、发送端平均包个数/秒、接收端平均包个数/秒、发送端包长方差、接收端包长方差、发送端总字节数、接收端总字节数、下载上传比率、会话时长、会话时间的最大期望、会话时间的最小期望、会话时间的最大方差、会话时间的最小方差。4.根据权利要求2所述的一种基于自动机器学习的路由器流量识别方法，其特征在于：所述步骤S3包括以下分步骤S3.1、删除异常流量数据和缺失数据；S3...

【专利技术属性】
技术研发人员：王攀，金凯威，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：