CN104144089A - 一种基于bp神经网络进行流量识别的方法 - Google Patents
一种基于bp神经网络进行流量识别的方法 Download PDFInfo
- Publication number
- CN104144089A CN104144089A CN201410382172.XA CN201410382172A CN104144089A CN 104144089 A CN104144089 A CN 104144089A CN 201410382172 A CN201410382172 A CN 201410382172A CN 104144089 A CN104144089 A CN 104144089A
- Authority
- CN
- China
- Prior art keywords
- network
- neural net
- neural network
- time
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 title abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 25
- 239000002245 particle Substances 0.000 claims abstract description 8
- 230000001537 neural effect Effects 0.000 claims description 40
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000004907 flux Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明通过获取简单的数据包包头信息生成特征值,从中选择合适的特征值作为BP神经网络的输入,得到样本训练集,然后实施抓取网络数据流提取特征作为BP神经网络的输入进行实时识别。时间窗的方法提取的特征值具有可扩展性且易于实现。选择三层的神经网络作为实现方案,通过粒子群算法(Particle Swarm Optimization,PSO)寻找具有全局最优特性的初始化权值,BP神经网络采用分布、并行的网状结构进行训练学习,使其容错性更高,处理速度更快,可以更好的完成实时识别。同时,BP神经网络是通过全局寻优的方式进行训练的,因此也具有很高的泛化能力,可以应对未来更复杂和多样的网络环境。
Description
技术领域
本发明涉及网络流量识别领域,尤其涉及一种基于神经网络进行流量识别的方法。
背景技术
随着信息网络时代的到来,网络数据呈现爆发式的急剧增长,而且网络应用越来越多,随之而来的是用户对网络带宽的要求越来越高。这就造成网络带宽不足,网络阻塞现象的增多。网络流量识别便可以发挥重要作用,为用户提高安全可靠和高质量的服务,因此网络流量识别和QOS控制管理已经得到越来越多的重视。
现有的网络流量识别方法主要分为四个方面:基于端口号的流量识别方法、基于净载荷特征的流量识别方法、基于网络行为特征的流量识别方法和基于机器学习的流量识别方法。但随着网络应用的不断发展增多,通信协议的不断改变,网络运营商开始对流量数据进行加密,对网络应用的识别越来越困难。现有的技术大多采用机器学习方法进行流量识别,通过从大数据中提取隐含的、潜在的有效特征信息,选择流量特征和机器学习算法来进行网络流量的识别。但是目前机器学习的识别方法实时性不强,无法实时识别出当前用户的网络使用情况。通过长时间抓取数据包进行分析不仅复杂度高而且难于实现。随着网络的高速发展,网络的数据情况也会变得更为复杂且具有多样性,目前的机器学习不利于扩展,不具有很好的泛化能力。
发明内容
通过对网络流量识别和机器学习的研究与分析,本发明提出一种基于BP神经网络的网络应用实时识别的算法,此方法通过在不同网络状况和不同时间段,连续在一段时间统计网络数据流,并且从网络数据包的包头中提取简单有效的特征生成特征值,这样提取的网络特征值易于扩展且具有很好的泛化能力。选择三层的BP神经网络作为实现方案,其分类能力满足流量识别的要求并且结构简单易于实现。选择S型函数作为BP神经网络隐含层的转移函数,实现对网络流特征等输入信息的非线性映射。通过粒子群算法(Particle SwarmOptimization,PSO)寻找具有全局最优特性的初始化权值,保证BP神经网络的训练过程能够进入误差曲面的全局最小。实施抓取网络数据流并进行统计生成特征值,将特征值作为神经网络的输入值,进行分类识别,从而保证实时识别出流量的网络应用类型。
为了实现上述目的,本发明采用如下技术方案:
本发明提出的基于BP神经网络的网络应用实时识别方法,包括BP神经网络的离线训练和在线实时识别两部分,该方法包括以下步骤:
BP神经网络的离线训练部分:
步骤1:在不同网络状况和不同时间段对网络流量进行抓包采集;
步骤2:获取样本集,对网络数据包的包数、包长、IP地址、传输协议以及上下行流量比进行统计;
步骤3:在获取的样本集中进行抽样,得到网络应用正常运行的样本;
步骤4:获取特征值,根据时间窗口法,从任意时间点开始,设定一段时间,根据该段时间内连续采集的网络流量与平均值的偏离程度,将高于平均值1.6倍的流量称为“峰值区”,处于平均值0.6~1.4倍区间的流量称为“稳定区”,由此时间段内的网络流量生成多种特征值;
步骤5:采用粒子群算法优化初始化权值,用BP神经网络的方法对得到的特征值进行训练学习,生成训练样本集;
BP神经网络的网络应用在线实时识别部分:
步骤1:在不同网络状况和不同时间段对网络流量进行采集;
步骤2:获取样本集,对网络数据包的包数、包长、IP地址、传输协议以及上下行流量比进行统计;
步骤3:采用BP神经网络的离线训练部分的步骤(4)相同的方法生成多种特征值;
步骤4:将特征值作为BP神经网络的输入,根据样本训练集的结果进行分类识别从而得到识别结果。
优选地,离线训练部分的步骤4和在线实时识别部分的步骤3中的多种特征值包括:下行包数,上行包数,下行数据量,上行数据量,下、上行包数比,下、上行数据量比,下、上行包数方差比,下、上行数据量方差比,下行中大数据量的IP数目,峰值区内数据量的比重,稳定区内样本数目的比重。
综上,本发明通过在不同网络状况和时间内,连续在一段时间内统计网络数据流,获取简单的数据包包头信息生成特征值,从中选择合适的特征值作为BP神经网络的输入,得到样本训练集,然后实施抓取网络数据流提取特征作为BP神经网络的输入进行实时识别。获取数据包包头信息,操作简单并且时间周期短。时间窗的方法提取的特征值具有可扩展性且易于实现。选择三层的神经网络作为实现方案,选择S型函数作为BP神经网络隐含层的转移函数,通过粒子群算法(Particle Swarm Optimization,PSO)寻找具有全局最优特性的初始化权值,从而根据输入的特征值得到网络应用的识别结果。BP神经网络采用分布、并行的网状结构进行训练学习,使其容错性更高,处理速度更快,可以更好的完成实时识别。同时,BP神经网络是通过全局寻优的方式进行训练的,因此也具有很高的泛化能力,可以应对更复杂和多样的网络环境。
附图说明
图1是基于BP神经网络的网络应用实时识别的系统架构图。
图2是BP神经网络的流量识别方案。
图3(a)是时间窗口示意图;(b)是窗口内流量区间的划分示意图。
具体实施方式
图1为本发明进行网络应用实时识别的原理图,图中架构分为两部分,分界线以上为实时网络流量识别的过程,分界线以下为同步的样本训练过程。
图2为BP神经网络的算法,输入x为网络流量特征,经过三层的神经网络,输出网络应用类型O。
图3(a)图为一个时间窗口内网络流的变化情况,以1秒为时间单位,对每一秒内抓取的网络流进行统计,连续统计15秒。(b)图中根据时间窗口内的流量平均值,将15秒时间段内的流量划分为稳定区和峰值区。
BP神经网络的离线训练部分:
步骤1:利用linux系统下的libpcap在不同的时间段内对不同的网络应用类型的网络流量进行抓包分析,libpcap是unix/linux平台下的网络数据包捕获函数包。通过解析包头信息,从而得到所需要的IP地址、端口号和传输协议;
步骤2:对网络流量进行统计,获取数据包的包头信息,包括:源地址,目的地址,源端口,目的端口和传输层协议(如TCP/UDP),以及数据包长度和数据包的流向(如上行或下行);
步骤3:在得到的大量数据中抽样选择处于稳定网络环境下的样本,并分别对样本的应用类别进行标注;m=6种应用类型可以标注编号为1、2、3、4、5、6;
步骤4:采用“时间窗口法”,以1秒为时间单位,对每一秒内抓取的网络流进行统计,连续统计15秒。根据时间窗口内的流量平均值,将15秒时间段内的流量划分为稳定区和峰值区,将高于平均值1.6倍的流量称为“峰值区”,处于平均值0.6~1.4倍区间的流量称为“稳定区”,由此生成11种特征值;
步骤5:采用粒子群算法优化初始化权值,BP神经网络的方法对生成的样本值进行训练。其中,设定n=11,n为输入特征值数目。网络流的11个特征信息送入BP神经网络的输入层;设定l=6,则BP神经网络识别6种网络应用。在训练阶段输出层的应用类型是人为标注的,在识别阶段输出层的应用类型是BP神经网络自己分类得到的。各层信号之间的数学描述:
输入层到隐含层之间的权值矩阵:V=[V1,V2,…,Vj,…,Vm]
Vj为隐含层第j个神经元对应的权列向量;
隐含层到输出层之间的权值矩阵:W=[W1,W2,…,Wk,…,Wl]
Wk为输出层第K个神经元对应的权列向量;
输入层网络流的特征信息:x=[x1,x2,…,xi,…,xn-1,xn]T
隐含层的结果:
输出层网络应用的识别结果:
输出层网络应用的类型编号:o=[o1,o2,…,ok,…,ol],比如应用类型1的编号对应[1,0,0,0,0,0],应用类型2的编号对应[0,1,0,0,0,0],以此类推。
隐含层的转移函数采用S型函数:
输出层的转移函数采用线性函数:f(x)=cx,c>0
BP神经网络训练一次的误差函数:其中dk为期望结果,ok为BP神经网络实际输出结果。
BP神经网络的实时识别部分:
步骤1:利用linux系统下的libpcap在不同的时间段内对不同的网络应用类型的网络流量进行抓包分析,libpcap是unix/linux平台下的网络数据包捕获函数包。通过解析包头信息,从而得到所需要的IP地址、端口号和传输协议;
步骤2:对网络流量进行统计,获取数据包的包头信息,包括:源地址,目的地址,源端口,目的端口和传输层协议(如TCP/UDP),以及数据包长度和数据包的流向(如上行或下行);
步骤3:在得到的大量数据中抽样选择处于稳定网络环境下的样本,并分别对样本的应用类别进行标注;m=6种应用类型可以标注编号为1、2、3、4、5、6;
步骤4:采用“时间窗口法”,以1秒为时间单位,对每一秒内抓取的网络流进行统计,连续统计15秒。根据时间窗口内的流量平均值,将15秒时间段内的流量划分为稳定区和峰值区,将高于平均值1.6倍的流量称为“峰值区”,处于平均值0.6~1.4倍区间的流量称为“稳定区”,由此生成11种特征值;
步骤5:采用BP神经网络的离线训练步骤的步骤(5)已经生成的样本训练集,对样本特征值进行分类识别,得出识别结果。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (2)
1.一种基于BP神经网络的网络应用实时识别方法,包括BP神经网络的离线训练和在线实时识别两部分,该方法包括以下步骤:
BP神经网络的离线训练部分:
步骤1:在不同网络状况和不同时间段对网络流量进行抓包采集;
步骤2:获取样本集,对网络数据包的包数、包长、IP地址、传输协议以及上下行流量比进行统计;
步骤3:在获取的样本集中进行抽样,得到网络应用正常运行的样本;
步骤4:获取特征值,根据时间窗口法,从任意时间点开始,设定一段时间,根据该段时间内连续采集的网络流量与平均值的偏离程度,将高于平均值1.6倍的流量称为“峰值区”,处于平均值0.6~1.4倍区间的流量称为“稳定区”,由此时间段内的网络流量生成多种特征值;
步骤5:采用粒子群算法优化初始化权值,用BP神经网络的方法对得到的特征值进行训练学习,生成训练样本集;
BP神经网络的网络应用在线实时识别部分:
步骤1:在不同网络状况和不同时间段对网络流量进行采集;
步骤2:获取样本集,对网络数据包的包数、包长、IP地址、传输协议以及上下行流量比进行统计;
步骤3:采用BP神经网络的离线训练部分的步骤(4)相同的方法生成多种特征值;
步骤4:将特征值作为BP神经网络的输入,根据样本训练集的结果进行分类识别从而得到识别结果。
2.如权利要求1所述的基于BP神经网络的网络应用实时识别方法,其特征是:离线训练部分的步骤4和在线实时识别部分的步骤3中的多种特征值包括:下行包数,上行包数,下行数据量,上行数据量,下、上行包数比,下、上行数据量比,下、上行包数方差比,下、上行数据量方差比,下行中大数据量的IP数目,峰值区内数据量的比重,稳定区内样本数目的比重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410382172.XA CN104144089B (zh) | 2014-08-06 | 2014-08-06 | 一种基于bp神经网络进行流量识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410382172.XA CN104144089B (zh) | 2014-08-06 | 2014-08-06 | 一种基于bp神经网络进行流量识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104144089A true CN104144089A (zh) | 2014-11-12 |
CN104144089B CN104144089B (zh) | 2017-06-16 |
Family
ID=51853159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410382172.XA Expired - Fee Related CN104144089B (zh) | 2014-08-06 | 2014-08-06 | 一种基于bp神经网络进行流量识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104144089B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104796305A (zh) * | 2015-05-07 | 2015-07-22 | 浪潮电子信息产业股份有限公司 | 一种安全审计的方法及装置 |
CN105100091A (zh) * | 2015-07-13 | 2015-11-25 | 北京奇虎科技有限公司 | 一种协议识别方法及系统 |
CN106130839A (zh) * | 2016-07-12 | 2016-11-16 | 电子科技大学 | 一种应用于宽带接入网的业务识别方法 |
CN107547457A (zh) * | 2017-09-15 | 2018-01-05 | 重庆大学 | 一种基于改进粒子群优化bp神经网络的盲信道均衡方法 |
CN107682189A (zh) * | 2017-09-29 | 2018-02-09 | 锐捷网络股份有限公司 | 一种基于神经网络识别网络需求的方法及网络设备 |
CN108768986A (zh) * | 2018-05-17 | 2018-11-06 | 中国科学院信息工程研究所 | 一种加密流量分类方法及服务器、计算机可读存储介质 |
CN109039742A (zh) * | 2018-08-03 | 2018-12-18 | 西安电子科技大学 | 一种服务不同业务类型的网络切片及其切换方法 |
CN109299742A (zh) * | 2018-10-17 | 2019-02-01 | 深圳信息职业技术学院 | 自动发现未知网络流的方法、装置、设备及存储介质 |
CN109450842A (zh) * | 2018-09-06 | 2019-03-08 | 南京聚铭网络科技有限公司 | 一种基于神经网络的网络恶意行为识别方法 |
CN109951357A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于多层神经网络的网络应用识别方法 |
CN110138787A (zh) * | 2019-05-20 | 2019-08-16 | 福州大学 | 一种基于混合神经网络的异常流量检测方法及系统 |
CN110222795A (zh) * | 2019-07-26 | 2019-09-10 | 广东工业大学 | 基于卷积神经网络的p2p流量的识别方法及相关装置 |
CN110309179A (zh) * | 2019-05-22 | 2019-10-08 | 桂林电子科技大学 | 基于并行pso的最大容错频繁项集挖掘方法 |
WO2019222947A1 (zh) * | 2018-05-23 | 2019-11-28 | 浙江大学 | 一种基于网络流量的无线摄像头检测及定位方法 |
CN111817802A (zh) * | 2020-05-13 | 2020-10-23 | 国网浙江省电力有限公司嘉兴供电公司 | 一种根据物理层头部信号进行频谱感知的方法 |
CN113271263A (zh) * | 2020-02-17 | 2021-08-17 | 华为技术服务有限公司 | 一种数据处理方法及其设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1664555A (zh) * | 2005-03-17 | 2005-09-07 | 上海交通大学 | 基于时间序列与神经网络模式辨识的两相流流型识别方法 |
WO2011092580A2 (en) * | 2010-01-28 | 2011-08-04 | Holcim Technology Ltd | System for monitoring plant equipment |
CN102750824A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于多种神经网络分类器投票的城市道路交通状态检测方法 |
CN103490944A (zh) * | 2013-07-31 | 2014-01-01 | 东莞中山大学研究院 | 一种基于bp神经网络的混合式p2p流量监测系统 |
CN104052639A (zh) * | 2014-07-02 | 2014-09-17 | 山东大学 | 基于支持向量机的实时多应用网络流量识别方法 |
-
2014
- 2014-08-06 CN CN201410382172.XA patent/CN104144089B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1664555A (zh) * | 2005-03-17 | 2005-09-07 | 上海交通大学 | 基于时间序列与神经网络模式辨识的两相流流型识别方法 |
WO2011092580A2 (en) * | 2010-01-28 | 2011-08-04 | Holcim Technology Ltd | System for monitoring plant equipment |
CN102750824A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于多种神经网络分类器投票的城市道路交通状态检测方法 |
CN103490944A (zh) * | 2013-07-31 | 2014-01-01 | 东莞中山大学研究院 | 一种基于bp神经网络的混合式p2p流量监测系统 |
CN104052639A (zh) * | 2014-07-02 | 2014-09-17 | 山东大学 | 基于支持向量机的实时多应用网络流量识别方法 |
Non-Patent Citations (3)
Title |
---|
徐鹤,王锁萍,王汝传,赵丹: ""基于神经网络集成的P2P流量识别研究"", 《南京邮电大学学报》 * |
李明,贾波: ""基于神经网络的P2P流量识别方法"", 《杭州电子科技大学学报》 * |
沈富可,常潘,任肖丽: ""基于BP神经网络的P2P流量识别研究"", 《计算机应用》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104796305A (zh) * | 2015-05-07 | 2015-07-22 | 浪潮电子信息产业股份有限公司 | 一种安全审计的方法及装置 |
CN105100091A (zh) * | 2015-07-13 | 2015-11-25 | 北京奇虎科技有限公司 | 一种协议识别方法及系统 |
CN105100091B (zh) * | 2015-07-13 | 2018-12-14 | 北京奇安信科技有限公司 | 一种协议识别方法及系统 |
CN106130839B (zh) * | 2016-07-12 | 2019-03-01 | 电子科技大学 | 一种应用于宽带接入网的业务识别方法 |
CN106130839A (zh) * | 2016-07-12 | 2016-11-16 | 电子科技大学 | 一种应用于宽带接入网的业务识别方法 |
CN107547457A (zh) * | 2017-09-15 | 2018-01-05 | 重庆大学 | 一种基于改进粒子群优化bp神经网络的盲信道均衡方法 |
CN107682189A (zh) * | 2017-09-29 | 2018-02-09 | 锐捷网络股份有限公司 | 一种基于神经网络识别网络需求的方法及网络设备 |
CN108768986A (zh) * | 2018-05-17 | 2018-11-06 | 中国科学院信息工程研究所 | 一种加密流量分类方法及服务器、计算机可读存储介质 |
WO2019222947A1 (zh) * | 2018-05-23 | 2019-11-28 | 浙江大学 | 一种基于网络流量的无线摄像头检测及定位方法 |
CN109039742A (zh) * | 2018-08-03 | 2018-12-18 | 西安电子科技大学 | 一种服务不同业务类型的网络切片及其切换方法 |
CN109450842A (zh) * | 2018-09-06 | 2019-03-08 | 南京聚铭网络科技有限公司 | 一种基于神经网络的网络恶意行为识别方法 |
CN109450842B (zh) * | 2018-09-06 | 2023-06-13 | 南京聚铭网络科技有限公司 | 一种基于神经网络的网络恶意行为识别方法 |
CN109299742A (zh) * | 2018-10-17 | 2019-02-01 | 深圳信息职业技术学院 | 自动发现未知网络流的方法、装置、设备及存储介质 |
CN109951357A (zh) * | 2019-03-18 | 2019-06-28 | 西安电子科技大学 | 基于多层神经网络的网络应用识别方法 |
CN110138787A (zh) * | 2019-05-20 | 2019-08-16 | 福州大学 | 一种基于混合神经网络的异常流量检测方法及系统 |
CN110309179A (zh) * | 2019-05-22 | 2019-10-08 | 桂林电子科技大学 | 基于并行pso的最大容错频繁项集挖掘方法 |
CN110309179B (zh) * | 2019-05-22 | 2023-04-07 | 桂林电子科技大学 | 基于并行pso的最大容错频繁项集挖掘方法 |
CN110222795A (zh) * | 2019-07-26 | 2019-09-10 | 广东工业大学 | 基于卷积神经网络的p2p流量的识别方法及相关装置 |
CN113271263A (zh) * | 2020-02-17 | 2021-08-17 | 华为技术服务有限公司 | 一种数据处理方法及其设备 |
CN113271263B (zh) * | 2020-02-17 | 2023-01-06 | 华为技术服务有限公司 | 一种数据处理方法及其设备 |
CN111817802A (zh) * | 2020-05-13 | 2020-10-23 | 国网浙江省电力有限公司嘉兴供电公司 | 一种根据物理层头部信号进行频谱感知的方法 |
CN111817802B (zh) * | 2020-05-13 | 2022-04-19 | 国网浙江省电力有限公司嘉兴供电公司 | 一种根据物理层头部信号进行频谱感知的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104144089B (zh) | 2017-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104144089A (zh) | 一种基于bp神经网络进行流量识别的方法 | |
CN109981691B (zh) | 一种面向SDN控制器的实时DDoS攻击检测系统与方法 | |
CN104052639B (zh) | 基于支持向量机的实时多应用网络流量识别方法 | |
CN102035698B (zh) | 基于决策树分类算法的http隧道检测方法 | |
CN111224940B (zh) | 一种嵌套在加密隧道中的匿名服务流量关联识别方法及系统 | |
CN105871832A (zh) | 一种基于协议属性的网络应用加密流量识别方法及其装置 | |
CN104283897B (zh) | 基于多数据流聚类分析的木马通信特征快速提取方法 | |
CN103200133A (zh) | 一种基于网络流引力聚类的流量识别方法 | |
CN102025620B (zh) | 基于业务区分的认知网络QoS保障方法 | |
CN105787512B (zh) | 基于特征选择方法的网络浏览与视频分类方法 | |
CN104468567B (zh) | 一种网络多媒体业务流识别和映射的系统及方法 | |
CN109274673A (zh) | 一种网络流量异常检测和防御方法 | |
CN105516020B (zh) | 一种基于本体知识推理的并行网络流量分类方法 | |
CN101714952A (zh) | 一种接入网的流量识别方法和装置 | |
CN102271090A (zh) | 基于传输层特征的流量分类方法及装置 | |
CN110324260B (zh) | 一种基于流量识别的网络功能虚拟化智能调度方法 | |
CN104753732A (zh) | 一种基于分布式的网络流量分析系统及方法 | |
CN104092588B (zh) | 一种基于SNMP与NetFlow结合的网络异常流量检测方法 | |
CN107483473A (zh) | 一种云环境的低速拒绝服务攻击数据流检测方法 | |
CN102739457A (zh) | 一种基于dpi和svm技术的网络流量识别系统及方法 | |
CN108881028A (zh) | 基于深度学习实现应用感知的sdn网络资源调度方法 | |
CN109299742A (zh) | 自动发现未知网络流的方法、装置、设备及存储介质 | |
CN109951357A (zh) | 基于多层神经网络的网络应用识别方法 | |
CN104298782A (zh) | 互联网用户主动访问行为轨迹的分析方法 | |
Baek et al. | MISCNN: A novel learning scheme for CNN-Based network traffic classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170616 |