【技术实现步骤摘要】
本专利技术属于流量分析领域，具体涉及一种基于深度学习的云平台p2p流量识别方法。
技术介绍
1、p2p(peer-to-peer)是一种计算机网络架构，其中参与者(也称为对等方)之间共享资源和服务，而不依赖于中央服务器。在p2p网络中，每个对等方都可以充当客户端和服务器，可以同时提供和获取资源。p2p网络的工作原理是通过直接连接对等方之间的通信来实现。当一个对等方需要某个资源时，它可以直接与其他对等方通信，请求并获取所需的资源。这种直接的对等方之间的通信可以提高网络的效率和可扩展性，并减少对中央服务器的依赖。p2p网络广泛应用于文件共享、实时通信和分布式计算等领域。著名的p2p应用程序包括bittorrent(用于文件共享)、skype(用于语音和视频通话)以及区块链技术中的比特币网络等。
2、尽管p2p网络具有许多优点，如去中心化、高可扩展性和抗故障性，但也存在一些挑战，如安全性、资源管理和性能控制等，特别是考虑到p2p流量对网络的影响：带宽占用方面，p2p应用程序通常涉及大量的数据传输，因此可能占用大量的网络带宽，这将导致其他网络活动的速度变慢，特别是在网络容量有限的情况下；网络拥塞问题：由于p2p应用程序的特性，它们通常会在网络中创建大量的连接，并同时进行多个数据传输。这可能导致网络拥塞，影响其他用户的网络性能；qos(服务质量)问题：p2p流量可能会对网络的服务质量产生负面影响，例如，对于需要低延迟和稳定连接的应用程序(如在线游戏或实时视频通话)，p2p流量可能导致延迟增加或连接不稳定；安全风险：p2p网络通
3、传统的流量识别方法通过手动提取流量特征，使用机器学习模型进行训练，取得了较好的成果。然而，由于p2p流量的特性，传统方法的识别率似乎达到了瓶颈，因为研究者难以把握流量特征的全貌，手动提取的流量特征存在局限性。
4、因而本专利技术引入了深度学习模型，深度学习模型可以通过端到端的学习从原始数据中自动学习特征表示，无需手动设计和选择特征，比起手动提取的特征更具区分性和鲁棒性，在许多领域中都表现出了优秀的性能；但在流量分析领域，目前的深度学习模型没有充分利用流量的burst特征和时序特征，许多先前的工作因时序特征的不稳定性而忽略了p2p流量的时序特征。
5、综合考虑，专利技术人提出一种基于深度学习的云平台p2p流量识别方法，包括一个能够提取流量的方向特征和时序特征并将两者融合的特征提取方法和一个基于深度学习的分类器，能够高效的识别经过云平台的p2p流量。
技术实现思路
1、本专利技术基于深度学习技术，开发了一种能够识别经过云平台的p2p流量的系统。该系统通过对经过云平台的流量在cell层次上进行方向和时序特征提取，实现了对p2p流量的准确识别。具体而言，我们首先对流量进行方向特征提取，将流量按cell划分，并根据传输方向和大小生成cell序列。然后，我们对cell序列进行时序特征提取，将报文序列划分为cell序列，并规定时序特征的长度为5000。通过这两个步骤，我们得到了方向和时序特征。接下来，我们将方向和时序特征进行融合，生成模型的输入。我们利用了连续同向数据包的burst特征，并设计了多个卷积核，通过卷积神经网络和残差网络进行特征学习。这样，我们得到了一个方向时序流量识别模型。通过实验验证，我们的系统在识别经过云平台的p2p流量方面表现出了较高的准确率和鲁棒性。这一研究成果对于网络管理和安全具有重要意义，为实现对p2p流量的精确识别提供了有力的技术支持。
2、技术问题：
3、本专利技术旨在分析并识别经过云平台的p2p流量，以改善网络服务质量和提升网络性能。传统的流量识别方法依赖于人工提取特征并使用机器学习模型进行训练，取得了一定的成果。然而，由于研究者难以全面把握流量特征的本质，传统方法的识别率已经达到了瓶颈。为了克服这一问题，我们引入了深度学习技术，通过自动学习原始数据中的特征表示，充分利用流量的burst特征和时序特征，提出了一种更具区分性和鲁棒性的p2p流量识别方法。我们的目标是通过深度学习技术，从原始数据中挖掘出更加准确和有效的特征，以提高p2p流量识别的性能。通过实验验证，我们的方法相对于传统方法具有更高的区分性和鲁棒性，能够更准确地识别经过云平台的p2p流量。这一研究成果对于改善网络服务质量和提升网络性能具有重要意义。
4、为了实现上述目的，本专利技术的技术方案如下：一种基于深度学习的云平台p2p流量识别方法，所述方法包括以下步骤：
5、步骤1：流量提取步骤，用以对经过云平台的流量在cell层次上进行方向和时序特征提取；
6、步骤2：特征融合步骤，用以对所述提取的方向和时序特征进行融合以产生模型输入；
7、步骤3：流量识别步骤，利用了连续同向数据包的burst特征，通过卷积神经网络和残差网络，并行设计了多个卷积核以产生方向时序流量识别模型。
8、其中，步骤1中，流量提取步骤包括，方向特征提取；方向特征描述了数据包的传输方向和大小，通过对流量在cell层次上提取，流量被划分为cell序列，每个cell表示数据包的传输方向和大小。例如，[+1,+1,-1,-1,...]表示客户端先发送了两个cell，然后服务器回复了两个cell，以此类推。这样的序列可以反映网站的结构和内容。
9、步骤1中，所述流量提取步骤包括，时序特征提取；时序特征由数据包的时间戳组成，反映了数据包在网络中传输的时间点；类似于方向特征，时序特征也在cell层次上进行提取；每个cell的时间戳被用作时序特征，这个报文所对应的cell的时间戳即为这个报文的时间戳。
10、步骤2中：所述特征融合步骤，通过对方向特征和时序特征对应的元素相乘得到的方向时序特征，充分利用方向特征和时序特征的信息，构建除了一个更丰富的特征表示。例如，将方向特征[+1,+1,-1,-1,...]和时序特征[t_1,t_2,t_3,t_4,...]相乘，得到方向时序特征[+t_1,+t_2,-t_3,-t_4,...]。
11、步骤3中，所述流量识别步骤，包括一个提取burst特征的方向时序网站流量识别模型，利用卷积层和残差块提取方向时序burst特征的高层语义信息，利用全连接层和softmax层进行分类。
12、步骤3中，所述流量识别步骤，包括一个(burst特征提取模块)extraction block，用以提取burst特征的模块；输入是方向特征和时序特征融合后的方向时序特征，通过三个1维卷积层提取短、中、长burst特征，分别对应不同的卷积核大小和数量，每个卷积层后都有relu层和(bn)batch normalization层。
13、步骤3中，所述流量识别步骤，包括一个特征整合层，将三个卷积层提取的短、中、长burst特征相加，然后通本文档来自技高网...
【技术保护点】
1.一种基于深度学习的云平台P2P流量识别方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的基于深度学习的云平台P2P流量识别方法，其特征在于，步骤1中，流量提取步骤包括，方向特征提取；方向特征描述了数据包的传输方向和大小，通过对流量在cell层次上提取，流量被划分为cell序列，每个cell表示数据包的传输方向和大小。
3.根据权利要求1所述的基于深度学习的云平台P2P流量识别方法，其特征在于，步骤1中，所述流量提取步骤包括，时序特征提取；时序特征由数据包的时间戳组成，反映了数据包在网络中传输的时间点；时序特征也在cell层次上进行提取；每个cell的时间戳被用作时序特征，这个报文所对应的cell的时间戳即为这个报文的时间戳。
4.根据权利要求1所述的基于深度学习的云平台P2P流量识别方法，其特征在于，步骤2：所述特征融合步骤，通过对方向特征和时序特征对应的元素相乘得到的方向时序特征，充分利用方向特征和时序特征的信息，构建除了一个更丰富的特征表示。
5.根据权利要求1所述的基于深度学习的云平台P2P流量识别方法，其
6.根据权利要求5所述的基于深度学习的云平台P2P流量识别方法，其特征在于，步骤3中，所述流量识别步骤，包括一个(burst特征提取模块)Extraction Block，用以提取burst特征的模块；输入是方向特征和时序特征融合后的方向时序特征，通过三个1维卷积层提取短、中、长burst特征，分别对应不同的卷积核大小和数量，每个卷积层后都有ReLU层和(BN)Batch Normalization层。
7.根据权利要求5所述的基于深度学习的云平台P2P流量识别方法，其特征在于，步骤3中，所述流量识别步骤，包括一个特征整合层，将三个卷积层提取的短、中、长burst特征相加，然后通过一个包含32个大小为1的卷积核的卷积层进行学习；这有助于实现不同通道之间的信息交互，融合不同burst特征。
8.根据权利要求5所述的基于深度学习的云平台P2P流量识别方法，其特征在于，步骤3中，所述流量识别步骤，包括Learning Block1～3，这些是特征学习块，在每个Block中，经过两个卷积层，然后再加上一个最大池化层和Dropout层；这里是经过两个卷积层后再进行池化，以确保特征得到充分学习，卷积层的卷积核数量逐渐增加，以学习更深层次的特征；此外，Learning Block2还包含一个残差连接，将前面Block中的特征加到Learning Block2的输出中，以避免梯度消失。
...【技术特征摘要】
1.一种基于深度学习的云平台p2p流量识别方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的基于深度学习的云平台p2p流量识别方法，其特征在于，步骤1中，流量提取步骤包括，方向特征提取；方向特征描述了数据包的传输方向和大小，通过对流量在cell层次上提取，流量被划分为cell序列，每个cell表示数据包的传输方向和大小。
3.根据权利要求1所述的基于深度学习的云平台p2p流量识别方法，其特征在于，步骤1中，所述流量提取步骤包括，时序特征提取；时序特征由数据包的时间戳组成，反映了数据包在网络中传输的时间点；时序特征也在cell层次上进行提取；每个cell的时间戳被用作时序特征，这个报文所对应的cell的时间戳即为这个报文的时间戳。
4.根据权利要求1所述的基于深度学习的云平台p2p流量识别方法，其特征在于，步骤2：所述特征融合步骤，通过对方向特征和时序特征对应的元素相乘得到的方向时序特征，充分利用方向特征和时序特征的信息，构建除了一个更丰富的特征表示。
5.根据权利要求1所述的基于深度学习的云平台p2p流量识别方法，其特征在于，步骤3中，所述流量识别步骤，包括一个提取burst特征的方向时序网站流量识别模型，利用卷积层和残差块提取方向时序burst特征的高层语义信息，利用全连接层和softmax层进行分类。
6.根...
【专利技术属性】
技术研发人员：李明，曹弯弯，尹晓宇，董小菱，吴极，王海陆，张敏，余东波，宫帅，陶军，杨晓勇，张海涛，
申请(专利权)人：国网安徽省电力有限公司信息通信分公司，
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。