本申请涉及流量监管的领域，其具体地公开了一种基于SDN架构的流量监管方法、系统和电子设备，其考虑到SDN架构的网络流量包括软件控制通道和硬件数据通道这两部分的网络流量，并且还考虑到网络中的各个终端设备本身的特性决定其流量数据的数值，因此本申请采用基于深度神经网络的特征提取器模型，且进一步基于经典多维尺度的变换来挖掘出这两部分网络流量的相对固定的关联模式，以生成待监控的SDN架构的网络流量是否正常的分类结果。通过这样的方式，可以使得对于待监控的SDN架构的网络流量是否正常的分类结果的准确性更高。流量是否正常的分类结果的准确性更高。流量是否正常的分类结果的准确性更高。
【技术实现步骤摘要】
基于SDN架构的流量监管方法、系统和电子设备
[0001]本专利技术涉及流量监管的领域，且更为具体地，涉及一种基于SDN架构的流量监管方法、基于SDN架构的流量监管系统和电子设备。
技术介绍
[0002]软件定义网络（Software Defined Network, SDN ）是一种新型网络创新架构，其核心技术OpenFlow通过将网络设备控制面与数据面分离开来，从而实现了网络流量的灵活控制，为核心网络及应用的创新提供了良好的平台。从SDN架构的网络流量来看，其一般由来自软件控制通道和硬件数据通道的两部分网络流量组成，因此，如果要对SDN架构进行流量监管，则需要同时考虑这两部分的网络流量。
[0003]但是，在实际应用场景中，这两部分网络流量可能存在相对固定的关联模式，例如正常情况下，当硬件数据流量大时，软件控制流量也可能较大，而在异常情况下，可能硬件数据流量较小，反而软件控制流量较大。因此，如何能够挖掘出这两部分网络流量的这种相对固定的关联模式，以对SDN架构进行更好的流量监管是值得考虑的问题。
[0004]因此，期待一种基于SDN架构的流量监管方案。
技术实现思路
[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于SDN架构的流量监管方法、基于SDN架构的流量监管系统和电子设备，其考虑到SDN架构的网络流量包括软件控制通道和硬件数据通道这两部分的网络流量，并且还考虑到网络中的各个终端设备本身的特性决定其流量数据的数值，因此本申请采用基于深度神经网络的特征提取器模型，且进一步基于经典多维尺度的变换来挖掘出这两部分网络流量的相对固定的关联模式，以生成待监控的SDN架构的网络流量是否正常的分类结果。通过这样的方式，可以使得对于待监控的SDN架构的网络流量是否正常的分类结果的准确性更高。
[0006]根据本申请的一个方面，提供了一种基于SDN架构的流量监管方法，其包括：获取待监控的SDN架构下各个终端设备的软件控制通道流量和硬件数据通道流量；分别计算所述软件控制通道流量和所述硬件数据通道流量中各个元素之间的距离以获得初始距离矩阵；使用卷积神经网络从所述初始距离矩阵获取距离特征图；对所述距离特征图中的各个数据矩阵进行多维尺度变换以获得分类特征图，其中，对所述距离特征图中的各个数据矩阵进行多维尺度变换用公式表示为：其中是所述分类特征图中的数据矩阵，是所述距离特征图中的数据矩阵，表示对该数据矩阵的每个元素求平方值，且是中心矩阵；对所述分类特征
图进行基于特征流形的几何复杂性约束以得到优化分类特征图；以及将所述优化分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监控的SDN架构的网络流量是否正常。
[0007]根据本申请的另一方面，一种基于SDN架构的流量监管系统，其包括：通道流量获取单元，用于获取待监控的SDN架构下各个终端设备的软件控制通道流量和硬件数据通道流量；距离计算单元，用于分别计算所述通道流量获取单元获得的所述软件控制通道流量和所述通道流量获取单元获得的所述硬件数据通道流量中各个元素之间的距离以获得初始距离矩阵；距离特征图生成单元，用于使用卷积神经网络从所述距离计算单元获得的所述初始距离矩阵获取距离特征图；分类特征图生成单元，用于对所述距离特征图生成单元获得的所述距离特征图中的各个数据矩阵进行多维尺度变换以获得分类特征图，其中，对所述距离特征图中的各个数据矩阵进行多维尺度变换用公式表示为：其中是所述分类特征图中的数据矩阵，是所述距离特征图中的数据矩阵，表示对该数据矩阵的每个元素求平方值，且是中心矩阵；分类结果生成单元，用于将所述特征矩阵优化单元获得的所述优化分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监控的SDN架构的网络流量是否正常。
[0008]根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于SDN架构的流量监管方法。
[0009]根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于SDN架构的流量监管方法。
[0010]与现有技术相比，本申请提供的基于SDN架构的流量监管方法、基于SDN架构的流量监管系统和电子设备，其考虑到SDN架构的网络流量包括软件控制通道和硬件数据通道这两部分的网络流量，并且还考虑到网络中的各个终端设备本身的特性决定其流量数据的数值，因此本申请采用基于深度神经网络的特征提取器模型，且进一步基于经典多维尺度的变换来挖掘出这两部分网络流量的相对固定的关联模式，以生成待监控的SDN架构的网络流量是否正常的分类结果。通过这样的方式，可以使得对于待监控的SDN架构的网络流量是否正常的分类结果的准确性更高。
附图说明
[0011]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0012]图1为根据本申请实施例的基于SDN架构的流量监管方法的应用场景图；图2为根据本申请实施例的基于SDN架构的流量监管方法的流程图；图3为根据本申请实施例的基于SDN架构的流量监管方法的系统架构示意图；图4为根据本申请实施例的基于SDN架构的流量监管方法中，将所述优化分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监控的SDN架构的网络流量是否正常的流程图；图5为根据本申请实施例的基于SDN架构的流量监管系统的框图；图6为根据本申请实施例的基于SDN架构的流量监管系统中分类结果生成单元的框图；图7为根据本申请实施例的电子设备的框图。
具体实施方式
[0013]下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
[0014]图1图示了根据本申请实施例的基于SDN架构的流量监管方法的应用场景图。如图1所示，在该应用场景中，首先，获取待监控的SDN架构（例如，如图1中所示意的A）下各个终端设备（例如，如图1中所示意的T）的软件控制通道流量和硬件数据通道流量；然后，将得到的所述各个终端设备的软件控制通道流量和硬件数据通道流量输入至部署有基于SDN架构的流量监管算法的服务器中（例如，如图1中所示意的S），其中，所述服务器能够基于SDN架构的流量监管算法对所述各个终端设备的软件控制通道流量和硬件数据通道流量进行处理，以生成用于表示待监控的SDN架构的网络流量是否正常的分类结果。在该应用场景中，所述终端设备包括但不局限于电脑、平板、手机等智能联网的电子设备。
[0015]图2图示了基于SDN架构的流量监管方法的流程图。如图2所示本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于SDN架构的流量监管方法，其特征在于，包括：获取待监控的SDN架构下各个终端设备的软件控制通道流量和硬件数据通道流量；分别计算所述软件控制通道流量和所述硬件数据通道流量中各个元素之间的距离以获得初始距离矩阵；使用卷积神经网络从所述初始距离矩阵获取距离特征图；对所述距离特征图中的各个数据矩阵进行多维尺度变换以获得分类特征图，其中，对所述距离特征图中的各个数据矩阵进行多维尺度变换用公式表示为：其中是所述分类特征图中的数据矩阵，是所述距离特征图中的数据矩阵，表示对该数据矩阵的每个元素求平方值，且是中心矩阵；对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图；以及将所述优化分类特征图通过分类器以获得分类结果，所述分类结果用于表示待监控的SDN架构的网络流量是否正常。2.根据权利要求1所述的基于SDN架构的流量监管方法，其中，分别计算所述软件控制通道流量和所述硬件数据通道流量中各个元素之间的距离以获得初始距离矩阵，包括：以如下公式计算所述软件控制通道流量和所述硬件数据通道流量中各个元素之间的距离；其中，所述公式为：，表示所述软件控制通道流量中的各个元素、表示所述硬件数据通道流量中的各个元素。3.根据权利要求1所述的基于SDN架构的流量监管方法，其中，分别计算所述软件控制通道流量和所述硬件数据通道流量中各个元素之间的距离以获得初始距离矩阵，包括：以如下公式计算所述软件控制通道流量和所述硬件数据通道流量中各个元素之间的距离；其中，所述公式为：，表示所述软件控制通道流量中的各个元素、表示所述硬件数据通道流量中的各个元素。4.根据权利要求1所述的基于SDN架构的流量监管方法，其中，使用卷积神经网络从所述初始距离矩阵获取距离特征图，包括：所述卷积神经网络以如下公式对所述初始距离矩阵进行处理以获取所述距离特征图；所述公式为：其中，为第层卷积神经网络的输入，为第层卷积神经网络的输出，为第层卷积神经网络的卷积核，且为第层神经网络的偏置向量，表示非线性激活函数。5.根据权利要求1所述的基于SDN架构的流量监管方法，其中，所述中心矩阵基于单位矩阵和等幂矩阵构成，用公式可表示为：，是单位矩阵，是一个对称的幂等矩阵。6.根据权利要求1所述的基于SDN架构的流量监管方法，其中，对所述分类特征图进行基于特征流形的几何复杂性约束以得到优化分类特征图，包括：对所述分类特征图的沿通
道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个局部特征主成分特征向量；将所述多个局部特征主成分特征向量通过基于转换器模块的上下文编码器以得到全局局部特征上下文关联特征向量；计算所述各个局部特征主成分特征向量相对于所述全局...
【专利技术属性】
技术研发人员：罗杰，章利聪，杨彪，
申请(专利权)人：浙江知多多网络科技有限公司，
类型：发明
国别省市：
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。