【技术实现步骤摘要】
本专利技术涉及深度学习与无线业务识别领域，特别是涉及无线业务深度学习识别方法与装 置。
技术介绍
1、随着6g通信技术的发展，网络中的业务流量呈指数级增长，业务识别作为面向网络流 量数据分析的关键技术，成为了当前的热点研究领域。业务识别技术在网络优化与资源的智 能管理方面起着重要的作用。精确的业务识别可以协助6g基础设施应对用户的不同业务需 求，合理调度网络资源，提高工作效率、服务质量。传统的业务识别算法通常基于流量的统 计特性和深度包检测。然而，6g网络将衍生出各种新型业务和应用场景，其中的流量数据会 变得更加复杂，这些传统算法可能不再适用于6g网络，导致业务识别准确率低下。因此， 如何优化传统无线网络的业务识别结构，精准提取业务流量的特征，以适应6g网络中细粒 度且复杂流量数据的业务识别任务，成为目前业务识别算法亟待解决的问题。
2、目前，随着网络业务类型的不断增长，机器学习算法因为拟合能力有限，很难识别新的 复杂业务。同时，机器学习算法对加密数据流和协议封装数据流的识别准确率极低。现有深 度神经网络中，循环神经网络往往忽略了业务流量的空间特征，难以实现对6g网络业务的 细粒度分类。卷积神经网络的池化层将提取到的特征模糊化，极易丢失关键特征，导致业务 识别精度下降。本专利技术提出了基于注意力机制的业务识别胶囊网络改善了上述不足，针对6g 无线业务高精度、细粒度识别问题，将胶囊网络作为主体，有效避免了传统池化操作导致的 特征模糊化，将大量的细粒度特征保留到最后的输出层中。同时，利用注意力机制将卷积提 取到的特征在空
技术实现思路
1、本专利技术提出了无线业务深度学习识别方法与装置，旨在实现对6g网络中复杂流量数据 高精度、细粒度的业务识别。与传统的分类方法不同，该方法将数据包处理为灰度图，并利 用注意力机制实现特征在不同维度上的细化操作。同时，该网络舍弃了传统的池化操作，取 而代之的是将输入数据卷积之后扩展成胶囊，以保留大量流量数据的细粒度特征，进而提高 网络的业务识别准确率。仿真结果表明，与传统的卷积神经网络相比，本专利技术提出的无线业 务深度学习识别方法与装置具有更高的分类准确率。
2、所述无线业务深度学习识别方法与装置包括以下步骤：
3、1)建立6g无线业务识别系统模型；
4、2)数据集选择；
5、3)数据预处理；
6、4)业务识别网络设计；
7、5)在不同环境下进行实验验证所提出业务识别网络的有效性。
8、上述步骤1中建立6g无线业务识别系统模型的方法为：
9、无线业务识别系统模型如图1所示，其中包括一个6g基站、业务识别模块以及多种业 务数据流。6g基站通过无线信道接收其覆盖范围内的e-mail、chat和voip等各种业务请求， 并将这些业务的无线数据流输入到集成在基站硬件上的业务识别模块中，其中业务识别模块 是通过基于注意力机制的业务识别胶囊网络训练得到的。通过该模块，6g基站可以识别无线 数据流中的业务类型，为不同的业务类型给出相应的资源分配策略。本专利技术主要研究了6g 基站中业务识别模块的设计，重点包括数据集选取、数据预处理和业务识别三个部分。
10、上述步骤2中数据集选择的方法为：
11、本专利技术选取iscxvpn-2016数据集作为胶囊网络分类模型的训练样本和测试样本。iscxvpn-2016数据集的业务数据包括两种形式的标注：协议类型的标注和应用类型的标注。 从协议类型的角度考虑，数据集包含了vpn和non-vpn两大类流量业务，每个大类中又分 别包含了email、chat和voip等七个小类。本专利技术选取了数据集中现有的十一种业务总共 55000个数据样本作为实验样本，其中训练集、验证集和测试集样本按照8∶1∶1的比例划分。这些样本均为6g无线网络业务识别系统中常见的业务类型。因此，iscxvpn-2016数据集能够充分满足基于注意力机制的胶囊网络海量数据样本、多样数据类型和多种数据来源的 要求。
12、上述步骤3中数据预处理的方法为：
13、为了保证分类的效果，基于注意力机制的胶囊网络的训练数据必须处理成统一标准的矩 阵，而数据集中的流量数据长度通常具有很大的差异性，因此，不能直接将iscxvpn-2016 的原始数据放入模型中进行训练，需要对原始数据流进行统一的预处理。iscxvpn-2016的 流量数据都是以数据包的形式顺序保存在“pacp”格式的文件中，针对该类文件的结构特点， 其预处理方法如下：
14、1)无用字段删除：pacp文件头和数据包头对于业务识别任务来说不是有效信息，容易影 响到最终的识别效果，因此，在预处理阶段，需要移除pacp文件头数据和数据包头数据，只 提取pacp文件中数据包的有效信息，即在一个pacp数据文件中，除去其前24b信息和各数 据包的前16b信息。
15、2)规范化：基于注意力机制的胶囊网络将输入的数据包大小统一为1024b，而数据集中 的数据包长度不等，因此，预处理阶段将对数据集采取截断/补零措施，对小于1024b的数据 包进行补零措施，大于1024b的数据包只取前1024b，使得每个数据包的大小相同。
16、3)数据包转化灰度图：将数据包中一个字节的八位二进制数据转化成为0到255的数值， 正好对应灰度图片中像素点的数值。数据经过步骤2)的规范化处理后，一个数据包可以转 化为一个32*32像素的灰度图，将其归一化后作为基于注意力机制的胶囊网络的输入。
17、上述步骤4中业务识别网络设计的方法为：
18、本专利技术的无线业务深度学习识别方法与装置是通过一个基于注意力机制的胶囊网络实现 的，业务识别的具体流程如图2所示，其中数据集经过预处理转化的为灰度图后作为胶囊网 络的输入，而输出则是每个输入数据的业务类型。
19、基于注意力机制的胶囊网络结构如图3所示，分别为卷积层、注意力层、初始胶囊层、 高级胶囊层和输出层。各网络的具体定义如下所示：
20、1)卷积层：基于注意力机制的胶囊网络首先需要实现特征提取，考虑到在数据预处理阶 段，数据集中的流量数据已经被转化为灰度图，第一层网络设计选择了卷积神经网络 (convolutional neural networks，cnn)中具有良好图像特征提取能力的卷积层。具体来说， 本专利技术设计了一个二维卷积层实现特征提取，其中卷积核数量为32，卷积核大小为3*3，步 长为1，激活函数为relu函数。假设x表示输入的数据集样本，则其输出特征向量conv如式 (1)所示：
21、conv＝σ1(wconvx+bconv) (1)
22、其中wconv是卷积核，bconv是卷积层的偏置，σ1(·)为relu函数，输出conv是一个30×3本文档来自技高网...
【技术保护点】
1.设计无线业务深度学习识别方法与装置，其特征在于以下步骤：
2.如权利要求1所述的设计无线业务深度学习识别方法与装置，其中所述步骤1)中，建立6G无线业务识别系统模型的方法如下：
3.如权利要求1所述的设计无线业务深度学习识别方法与装置，其中所述步骤2)中，合理选择数据集的方法如下：
4.如权利要求1所述的设计无线业务深度学习识别方法与装置，其中所述步骤3)中，预处理业务流量数据的方法如下：
5.如权利要求1所述的设计无线业务深度学习识别方法与装置，其中所述步骤4)中，设计业务识别网络的方法如下：
【技术特征摘要】
1.设计无线业务深度学习识别方法与装置，其特征在于以下步骤：
2.如权利要求1所述的设计无线业务深度学习识别方法与装置，其中所述步骤1)中，建立6g无线业务识别系统模型的方法如下：
3.如权利要求1所述的设计无线业务深度学习识别方法与装置，其中所述步骤...
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。