网络业务类型识别模型训练方法、网络业务类型识别方法技术

本申请公开了一种网络业务类型识别模型训练方法、网络业务类型识别方法。该方法包括：获取网络业务数据样本，所述网络业务数据样本包括所述网络业务数据的类型；从所述网络业务数据样本中提取所述网络业务数据样本的初始业务特征集合；确定所述初始业务特征集合是否需要进行特征降维处理，所述特征降维处理用于去除所述初始业务特征集合中的冗余特征；若需要进行所述特征降维处理，则获取所述初始业务特征集合特征降维处理后的目标业务特征集合；将所述目标业务特征集合输入基于误差关联算子改进的Adaboost算法中进行训练，得到训练后的网络业务类型识别模型。本申请的方法，提高了网络业务类型识别模型的识别准确率。了网络业务类型识别模型的识别准确率。了网络业务类型识别模型的识别准确率。

【技术实现步骤摘要】
网络业务类型识别模型训练方法、网络业务类型识别方法


[0001]本申请涉及通信网络
，尤其涉及一种网络业务类型识别模型训练方法、网络业务类型识别方法。

技术介绍

[0002]随着移动通信网络的广泛应用，5G/6G技术的飞速发展使得各类网络业务趋于复杂化和多样化，但大规模网络业务的涌现也带来了网络带宽资源利用率低，网络性能不稳定等严重影响用户体验的问题，利用先进技术实现复杂网络业务的动态管理、分配和调度，具有重要意义。对于不同网络下的大规模业务流量，基于软件定义网络（Software Defined Network，SDN）架构对不同业务类型进行精准识别，有利于网络带宽资源的合理分配，实时感知和评估网络性能，满足用户对服务质量（Quality of Service，QoS）的切实需求。
[0003]然而，目前在SDN架构下存在识别网络业务数据的业务类型的准确率较低的问题。

技术实现思路

[0004]本申请提供一种网络业务类型识别模型训练方法、网络业务类型识别方法，用以解决现有技术中SDN架构下存在识别网络业务数据的业务类型的准确率较低的问题。
[0005]第一方面，本申请提供一种网络业务类型识别模型训练方法，包括：获取网络业务数据样本，所述网络业务数据样本包括所述网络业务数据的类型；从所述网络业务数据样本中提取所述网络业务数据样本的初始业务特征集合；确定所述初始业务特征集合是否需要进行特征降维处理，所述特征降维处理用于去除所述初始业务特征集合中的冗余特征；若需要进行所述特征降维处理，则获取所述初始业务特征集合特征降维处理后的目标业务特征集合；将所述目标业务特征集合输入基于误差关联算子改进的Adaboost算法中进行训练，得到训练后的网络业务类型识别模型。
[0006]可选地，所述确定所述初始业务特征集合是否需要进行特征降维处理，包括：根据斯皮尔曼等级相关性分析算法，确定所述初始业务特征集合中的第一业务特征与业务类型的相关性；若与所述第一业务特征存在相关性的所述业务类型的数量小于或等于预设阈值，则需要对所述初始业务特征集合中进行特征降维处理；若与所述第一业务特征存在相关性的所述业务类型的数量大于所述预设阈值，则不需要对所述初始业务特征集合中进行特征降维处理。
[0007]可选地，所述获取所述初始业务特征集合特征降维处理后的目标业务特征集合，包括：从所述初始业务特征集合获取第一业务特征集合，所述第一特征集合中的业务特征数量小于或等于所述初始业务特征集合中的特征数量；
获取所述第一业务特征集合的第一评价函数，以及，第二业务特征集合的第二评价函数，所述第二业务特征集合中为所述第一业务特征集合的子集，且所述第二业务特征集合中的业务特征数量比所述第一业务特征集合中的业务特征数量少1；确定与所述第一评价函数的函数值差异最小的第二评价函数对应的目标第二业务特征集合；将所述目标第二业务特征集合作为新的第一业务特征集合，并迭代上述步骤至所述第一业务特征集合中的业务特征数量小于或等于预设数量，生成所述目标业务特征集合。
[0008]可选地，在所述将所述目标业务特征集合输入基于误差关联算子改进的Adaboost算法中进行训练，得到训练后的网络业务类型识别模型之前，还包括：根据误差关联算子，确定所述Adaboost算法中的冗余弱分类器；去除所述Adaboost算法中的冗余弱分类器，获取所述基于误差关联算子改进的Adaboost算法。
[0009]可选地，所述从所述网络业务数据样本中提取所述网络业务数据样本的初始业务特征集合，包括：获取所述网络业务数据样本的采集时间；根据所述采集时间，将所述网络业务数据样本切割为至少两个时间连续的数据包集合；从所述数据包集合包括的数据包中提取每个数据包的初始业务特征；根据所述初始业务特征，生成所述网络业务数据样本的初始业务特征集合。
[0010]可选地，在根据所述采集时间，将所述网络业务数据样本切割为至少两个时间连续的数据包集合之前，还包括：对所述网络业务数据样本进行数据清洗操作。
[0011]第二方面，本申请提供一种网络业务类型识别方法，应用于SDN控制平面，包括：获取网络业务数据；将所述网络业务数据输入至网络业务类型识别模型中，获得所述网络业务数据的业务类型；所述网络业务类型识别模型为权利要求1
‑
6中任一项所述的网络业务类型识别模型；根据所述业务类型，对网络资源进行管理。
[0012]第三方面，本申请提供一种网络业务类型识别模型装置，包括：获取模块，用于获取网络业务数据样本，所述网络业务数据样本包括所述网络业务数据的类型；处理模块，用于从所述网络业务数据样本中提取所述网络业务数据样本的初始业务特征集合；确定所述初始业务特征集合是否需要进行特征降维处理，所述特征降维处理用于去除所述初始业务特征集合中的冗余特征；若需要进行所述特征降维处理，则获取所述初始业务特征集合特征降维处理后的目标业务特征集合；训练模块，用于将所述目标业务特征集合输入基于误差关联算子改进的Adaboost算法中进行训练，得到训练后的网络业务类型识别模型。
[0013]第四方面，本申请提供一种电子设备，包括：处理器、通信接口，以及存储器；所述
处理器分别与所述通信接口和所述存储器通信连接；所述存储器存储计算机执行指令；所述通信接口与外部设备进行通信交互；所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面或第二方面中任一项所述的方法。
[0014]第五方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面或第二方面中任一项所述的方法。
[0015]第六方面，本申请提供一种计算机程序产品，所述计算机程序产品被处理器执行时用于实现如第一方面或第二方面中任一项所述的方法。
[0016]本申请提供的网络业务类型识别模型训练方法、网络业务类型识别方法，通过网络业务数据样本的业务特征进行冗余特征识别，通过特征降维处理去除网络业务数据样本中的冗余特征，并通过基于误差关联算子改进的Adaboost算法训练，获得网络业务类型识别模型。该方法通过去除冗余特征，以及，基于误差关联算子改进的Adaboost算法，降低了网络业务数据样本中冗余特征对网络业务类型识别模型训练过程的影响，从而提高了网络业务类型识别模型的识别准确率。
附图说明
[0017]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0018]图1为本申请实施例提供的一种网络业务类型识别模型的训练方法的流程示意图；图2为本申请实施例提供的另一种网络业务类型识别模型的训练方法的流程示意图；图3为本申请实施例提供的又一种网络业务类型识别模型的训练方法的流程示意图；图4为本申请实施例提供的再一种网络业务类型识别模型的训练方法的流程示意图；图5为本申请实施例提供的再一种网络业务类型识别模型的训练方法的流程示意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络业务类型识别模型的训练方法，其特征在于，包括：获取网络业务数据样本，所述网络业务数据样本包括所述网络业务数据的类型；从所述网络业务数据样本中提取所述网络业务数据样本的初始业务特征集合；确定所述初始业务特征集合是否需要进行特征降维处理，所述特征降维处理用于去除所述初始业务特征集合中的冗余特征；若需要进行所述特征降维处理，则获取所述初始业务特征集合特征降维处理后的目标业务特征集合；将所述目标业务特征集合输入基于误差关联算子改进的Adaboost算法中进行训练，得到训练后的网络业务类型识别模型。2.根据权利要求1所述的方法，其特征在于，所述确定所述初始业务特征集合是否需要进行特征降维处理，包括：根据斯皮尔曼等级相关性分析算法，确定所述初始业务特征集合中的第一业务特征与业务类别的相关性；若与所述第一业务特征存在相关性的所述业务类别的数量小于或等于预设阈值，则需要对所述初始业务特征集合中进行特征降维处理；若与所述第一业务特征存在相关性的所述业务类别的数量大于所述预设阈值，则不需要对所述初始业务特征集合中进行特征降维处理。3.根据权利要求2所述的方法，其特征在于，所述获取所述初始业务特征集合特征降维处理后的目标业务特征集合，包括：从所述初始业务特征集合获取第一业务特征集合，所述第一特征集合中的业务特征数量小于或等于所述初始业务特征集合中的特征数量；获取所述第一业务特征集合的第一评价函数，以及，第二业务特征集合的第二评价函数，所述第二业务特征集合中为所述第一业务特征集合的子集，且所述第二业务特征集合中的业务特征数量比所述第一业务特征集合中的业务特征数量少1；确定与所述第一评价函数的函数值差异最小的第二评价函数对应的目标第二业务特征集合；将所述目标第二业务特征集合作为新的第一业务特征集合，并迭代上述步骤至所述第一业务特征集合中的业务特征数量小于或等于预设数量，生成所述目标业务特征集合。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，在所述将所述目标业务特征集合输入基于误差关联算子改进的Adaboost算法中进行训练，得到训练后的网络业务类型识别模型之前，还包括：根据误差关联算子，确定所述Adaboost算法中的冗余弱分类器；去除所述Adaboost算法中的冗余弱分类器，获取所述基于误差...

【专利技术属性】
技术研发人员：杨贻宏，
申请(专利权)人：上海飞旗网络技术股份有限公司，
类型：发明
国别省市：