CN108460423A - 一种基于sdn架构的业务识别方法 - Google Patents
一种基于sdn架构的业务识别方法 Download PDFInfo
- Publication number
- CN108460423A CN108460423A CN201810251707.8A CN201810251707A CN108460423A CN 108460423 A CN108460423 A CN 108460423A CN 201810251707 A CN201810251707 A CN 201810251707A CN 108460423 A CN108460423 A CN 108460423A
- Authority
- CN
- China
- Prior art keywords
- sample
- classification
- grader
- training
- business
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于SDN架构的业务识别方法,利用SDN控制和转发相分离思想重新定义了在线流量分类,同时针对存在大量噪声问题提出了一种样本差异性度量的方式选取出标记置信度较高的样本用于训练分类从而实现了噪声过滤功能,适用于空间信息网络在线业务识别。
Description
技术领域
本发明属于卫星网络技术领域,具体说是一种基于SDN架构的业务识别方法。
背景技术
随着各种新任务、新应用的不断涌现,对空间信息网络提出了众多不同的新需求,复杂的网络环境、星上资源受限、拓扑动态变化频繁等特性对网络的灵活管控和业务的高效编排提出挑战。传统的离线业务流量识别方法消耗时间长、实时性差且无法满足星上在线处理需求的问题,研究者借鉴SDN控制与转发相分离的思想,屏蔽了协议异构性,以一种更加灵活的方式对网络进行管理和控制,离线业务流量分类通过从网络中采集流量数据并存储,然后再进行特征统计按照分类方法进行业务分类,然而在空间信息网络中存在大量的实时性业务迫切需要能够以实时或近实时方式识别出不同的业务类型,如何在SDN网络中实现在线流量分类需要针对业务流量数据的收集以及分类器的训练问题展开专门研究。选择合适的流量统计特征对于实现业务分类准确率来说具有十分重大的意义,传统的离线流量统计特征也并不完全适用于空间信息网络在线流量分类,有必要针对空间信息网络在线业务流量分类技术的统计特征选取问题展开讨论。此外,在真实的空间信息网络环境下存在大量的噪声如Ka频段受雨水天气,太阳活动等引起的高误码率,以及长时延问题等问题引入的噪声,直接使用这些包含大量噪声的流量数据来训练分类器会对所训练出的分类器性能产生影响,迫切需要针对大量噪声存在的问题展开研究。
目前,有关在线业务识别展开研究的包括:有研究者提出了一种部署在企业网络中的SDN架构,使用SDN控制器收集来自OpenFlow交换机转发过来前几个数据包并进行特征统计,采用机器学习算法来实现在线流量分类,实验结果表明使用有监督机器学习可以对数据集进行高精度分类,但研究只是在企业网络中部署SDN架构并不能应用于空间信息网络;有研究者利用流开始的前5个数据包进行相关特征的统计,通过分析3种机器学习算法(C4.5、BayesNet和NBTree)分类结果,研究可用于在线流量分类的特征以及这些特征应满足的条件,实验结果表明这三种算法均取得较高的分类准确率,然而所采用的算法已有的有监督机器学习并未对针对包含大量噪声数据空间信息网络环境进行考虑;还有研究者提出了一种Tri-Training协同训练算法,利用少部分已标记的训练样本和大量未标记辅助训练样本训练分类器,从已标记样本集中随机抽取产生三个样本子集,采用相同的分类算法训练出三个基础分类器,选取出一个作为主分类器剩下的作为辅助分类器,取出两辅助分类器分类结果相同的样本进行标记,然后用于辅助主分类器的强化训练,然而存在两辅助分类器同时标记错误情况这样会引入噪声数据从而对分类结果造成一定的影响。
发明内容
为解决现有技术存在的上述问题,本发明要设计一种基于SDN架构的业务识别方法,针对空间信息网络存在大量噪声造成训练的分类器分类性能较弱的问题提出了一种具有噪声过滤功能的协同训练算法--Dif-TriTraining,从而实现对空间信息网络的灵活管控以及业务的高效编排。
本申请采用一种基于软件定义的空间信息网络(Software Defined SpatialInformationNetwork,SDSIN)架构,其实际的部署方案如下:将SDN核心思想应用于空间信息网络,实现空间信息网络控制平面和转发平面分离,该架构由三个层面分别为应用层面、控制层面和转发层面组成,各个层面在其中承担不同的任务。
进一步地,在上述体系架构下,使用在控制层面在线收集OpenFlow交换机转发过来的数据包并进行特征统计使用分类器来进行业务分类。
为了实现上述目的,本发明的技术方案如下:一种基于SDN架构的业务识别方法,具体包括以下步骤:
A、满足星上在线业务分类需求,设计一种在线学习框架
传统离线流量分类方法必须等整条流都结束后才能进行分类处理,无法满足一些实时性要求较高或需要高速处理的业务需求,因此设计了一种在线学习框架,在线识别分为离线训练和在线分类两个阶段。
(1)离线训练阶段
离线训练阶段主要获取实时业务流量数据作为训练集,通过提取流量特征和对样本进行部分标记,实现基于Dif-TriTraining算法的训练分类器。
(2)在线分类阶段
该阶段的主要工作在于抓取实时网络流量并进行特征提取,使用分类器进行流量分类,以获得分类结果。
B、筛选适用于空间信息网络的在线流流量分类特征
传统的基于离线的流量分类特征并不完全适用于空间信息网络在线流量分类,在线流量分类特征应该易于统计、能够满足尽早分类、计算存储开销低、可重新训练分类器的需求,基于此选取合适的基于包的统计特征和基于流的统计特征。
(1)基于包的统计特征的选取。把选取流中前5个数据包作为一条子流,统计子流中最大包、最小包、平均包的大小、平均到达时间间隔的均值作为统计特征,避免使用那些需要通过傅里叶变换等复杂计算得到的特征值,由于空间信息网络长时延特性可能会导致包到达顺序不一致的情况,因而诸如流中某一位数据包大小的统计特征也不适用。
(2)基于流的统计特征的选取。由于空间信息网络采用了不同的传输协议导致数据包格式有所不同,因而针对流中ACK包数和一些特殊标志位的统计特征并不能用于空间信息网络在线业务识别,选取了流大小,流的持续时间,相邻两数据包到达时间间隔最小值作为统计特征。
C、基于噪声过滤的协同训练算法—Dif-TriTraining
基于噪声学习理论,如果大部分被标记的样本被标记正确,那么,引入错误标记所带来的分类错误率会被抵消。基于此提出了一种样本差异性度量方式,计算样本与整个样本集之间的差距,用以衡量样本在整个样本集中的偏移情况,通过计算值大小来确定样本标记置信度,并引入抽取比例的概念用于选取大量置信度较高的样本以抵消错误标记样本所带来的分类精度不高的问题。在机器学习中为估算不同样本之间的差距,需要通过计算样本间的“距离”的方式来实现。本申请采用了基于欧式距离的样本距离计算方式,假设有两个n维向量s1(x11,x12,...,x1n)和s2(x21,x22,...,x2n)他们之间的距离为:
通过欧式距离可以反映出两个样本之间的“距离”,但无法代表某一样本与整个样本集之间整体性差距,需要计算样本与样本集之间的距离来筛选可靠性高的样本,因此定义了一种衡量单个样本与整个样本集之间整体性的差距的计算方式。
定义通过单个样本与其他样本之间的距离之和的方式来衡量单个样本与整个样本集之间的“距离”,将其称之为样本差异性度量。
由此,需要计算单个样本与样本集中其他所有的样本之间的距离然后求和,即可得出该样本与整个样本集的“距离”,其计算公式如下:
假设初始已标记样本集为L,未标记样本集为U,训练分类器的具体步骤如下:
C1、首先对有标记样本集L采用传统的可放回随机抽样方法(Bagging)从初始已标记样本集中获取三个有差异性的已标记样本集,再使用C4.5分类算法对这三个有标记数据集进行训练,得到三个初始分类器A、B、C。
C2、选择其中任意一个为主分类器,假设A为主分类器,B和C为辅助分类器,然后利用辅助分类器B和C对未标记样本集U进行分类,做分类结果标记,将标记相同的样本与相应的标记组合成集合Xa。统计集合Xa样本个数,假设为K1。
C3、计算每个样本xi属于Xa的样本差距。样本差距计算公式如下:
其中,dis(xi)表示样本xi的样本差距,N是样本的维度,xik表示xi第k维上的值。从样本差距的定义可知,dis(xi)越小,意味着xi与其他样本的相似度就越高,其标记置信度也就越高。因此,dis(xi)越小,xi被正确标记的可能性就越大。
C4、从Xa中选择K2个dis(xi)值最小的样本,根据辅助分累器的分类结果进行标记,并将标记后的样本加入主分类器对应的已标记样本集进行扩展,然后重新训练该分类器,获得Xa'。K2的计算公式为:
K2=[select_rate*K1] (4)
其中,select_rate∈(0,1)是样本差异较小的样本所占比例。
C5、训练结束,Xa'则为训练后最终的分类器。
与现有技术相比,本发明具有以下有益效果:
1、本发明将软件定义网络(Software DefinedNetworking,SDN)的核心技术应用到空间信息网络上。软件定义网络的最主要特点是将网络的控制与转发相分离,星上只进行简单的转发和硬件配置,有利于简化网络设备的结构降低成本、实现对空间信息网络的灵活管理和控制。在该架构下,SDN控制器在线收集来自OpenFlow交换机转发过来的数据包并统计流量特征然后使用训练出的分类器进行业务识别,基于此实现对网络的有效的管理和控制和业务链的编排。
2、本发明基于SDSIN网络,针对空间信息网络中存在大量噪声干扰造成训练分类器性能较弱的问题,提出了一种基于SDSIN的在线业务识别策略,针对传统离线业务识别方法无法应用于实时性要求较高的空间信息网络的问题,提出了一种在线业务识别框架,将离线训练和在线分类结合起来实现对业务的快速识别。同时,考虑了噪声对训练分类器的影响,提出了一种具有噪声过滤功能的协同训练算法,筛选标记置信度较高的样本用于训练分类器。
附图说明
图1是基于SDN架构的业务识别示意图。
图2是在线流量分类流程图。
图3是基于噪声过滤功能算法的结构框图。
具体实施方式
下面结合附图对本发明进行进一步地描述。
本发明首先建立了软件定义空间信息网络架构,如图1所示,由于GEO卫星相对地面接收站静止使得星地链路更加稳定且GEO的覆盖率更高,MEO/LEO层卫星履行交换机职责,该架构由三层构成,各层的功能描述如下:
(1)最左侧为应用层面,该层面可以部署在地面也可以部署在某一个固定的空间站中,在该层面可以进行编程等操作,通过北向接口将定义的新软件信息在控制层面进行更新。
(2)控制层面由GEO卫星组成,通过OpenFlow协议来控制数据层中子系统的接入方式及路由信息等,在控制层面收集数据层转发过来的数据包,然后再进行流量分类处理,该层是进行业务流量分类的关键。
(3)转发层面包含MEO/LEO层和一些地面基础设施,MEO和LEO卫星上都部署OpenFlow交换机,可以与地面接收站和控制层进行数据交互,有业务经过交换机后,交换机会将业务数据转发到控制器上,该层是实现业务分类的基础。
如图2所示,是在线流量分类流程图,分为离线训练和在线分类两个阶段。
(1)离线训练阶段
离线训练阶段主要获取实时业务流量数据作为训练集,通过提取流量特征和对样本进行部分标记,实现基于Dif-TriTraining算法的分类器训练。详细步骤如下:
1)在线抓取实时流量数据获取训练样本;
2)对训练样本进行特征提取并按比例对其中部分样本进行标记然后放入有标记样本集中,剩余的未标记样本放入未标记样本集中;
3)使用Dif-TriTraining算法来进行训练获得分类器。
(2)在线分类阶段
该阶段的主要工作在于抓取实时网络业务流量进行特征提取,使用分类器进行流量分类,以获得分类结果。其详细步骤如下:
1)在线获取实时业务流量数据作为测试样本;
2)对测试样本进行特征提取;
3)使用分类器进行分类实验获得分类结果。
如图3所示,是Dif-TriTraining算法结构框图,提出了一种样本差异性度量的方式判断单个样本与整个样本集之间的“距离”,并引入了抽取比例的概念,以一定比例选取样本集中“距离”较小的样本,将选取出的样本放入主分类器数据集中再次进行训练得到最终的分类器,通过研究抽取比例对分类效果的影响可以进一步验证噪声对分类器造成的影响。
本发明针空间信息网络中含有大量的实时性和需要高速处理的业务以及存在大量噪声的存在问题提出了一种基于SDN架构的在线业务识别策略,利用SDN控制和转发相分离思想重新定义了在线流量分类,同时针对存在大量噪声问题提出了一种样本差异性度量的方式选取出标记置信度较高的样本用于训练分类从而实现了噪声过滤功能,适用于空间信息网络在线业务识别。
本发明不局限于本实施例,任何在本发明披露的技术范围内的等同构思或者改变,均列为本发明的保护范围。
Claims (6)
1.一种基于SDN架构的业务识别方法,其特征在于,具体包括以下步骤:
A、设计一种在线学习框架;
B、筛选适用于空间信息网络的在线流流量分类特征;
C、训练分类器。
2.根据权利要求1所述一种基于SDN架构的业务识别方法,其特征在于,一种在线学习框架,包括离线训练和在线分类两个阶段;
离线训练阶段:获取实时业务流量数据作为训练集,通过提取流量特征和对样本进行部分标记,实现基于Dif-TriTraining算法的训练分类器;
在线分类阶段:抓取实时网络流量并进行特征提取,使用分类器进行流量分类,以获得分类结果。
3.根据权利要求1所述一种基于SDN架构的业务识别方法,其特征在于,在线流流量分类特征包括:(1)基于包的统计特征的选取:把选取流中前N个数据包作为一条子流,统计子流中最大包、最小包、平均包的大小、平均到达时间间隔的均值作为统计特征;(2)基于流的统计特征的选取:流大小、流的持续时间,相邻两数据包到达时间间隔最小值作为统计特征。
4.根据权利要求1所述一种基于SDN架构的业务识别方法,其特征在于,训练分类器的具体步骤如下:假设初始已标记样本集为L,未标记样本集为U;
C1、采用可放回随机抽样方法从初始已标记样本集L中获取三个有差异性的已标记样本集,再使用分类算法对这三个有标记数据集进行训练,得到三个初始分类器A、B、C;
C2、选择其中任意一个为主分类器,假设A为主分类器,B和C为辅助分类器,然后利用辅助分类器B和C对未标记样本集U进行分类,做分类结果标记,将标记相同的样本与相应的标记组合成集合Xa;统计集合Xa样本个数,假设为K1;
C3、计算每个样本xi属于Xa的样本差距;样本差距计算公式如下:
其中,dis(xi)表示样本xi的样本差距,N是样本的维度,xik表示xi第k维上的值;
C4、从Xa中选择K2个dis(xi)值最小的样本,根据辅助分累器的分类结果进行标记,并将标记后的样本加入主分类器对应的已标记样本集进行扩展,然后重新训练该分类器,获得Xa';K2的计算公式为:
K2=[select_rate*K1]
其中,select_rate∈(0,1)是样本差异较小的样本所占比例;
C5、训练结束,Xa'则为训练后最终的分类器。
5.根据权利要求1所述一种基于SDN架构的业务识别方法,其特征在于,上述方法是在空间信息网络架构中实施的,将空间信息网络控制平面和转发平面分离,该架构包括应用层面、控制层面和转发层面组成。
6.根据权利要求5所述一种基于SDN架构的业务识别方法,其特征在于,在上述体系架构下,使用在控制层面在线收集OpenFlow交换机转发过来的数据包并进行特征统计使用分类器来进行业务分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251707.8A CN108460423B (zh) | 2018-03-26 | 2018-03-26 | 一种基于sdn架构的业务识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251707.8A CN108460423B (zh) | 2018-03-26 | 2018-03-26 | 一种基于sdn架构的业务识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108460423A true CN108460423A (zh) | 2018-08-28 |
CN108460423B CN108460423B (zh) | 2020-06-02 |
Family
ID=63237947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810251707.8A Active CN108460423B (zh) | 2018-03-26 | 2018-03-26 | 一种基于sdn架构的业务识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108460423B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614436A (zh) * | 2018-11-21 | 2019-04-12 | 国网四川省电力公司眉山供电公司 | 电力物资调控系统和相应的方法 |
CN109978073A (zh) * | 2019-04-03 | 2019-07-05 | 大连大学 | 一种空间信息网络任务智能识别方法 |
CN110290077A (zh) * | 2019-06-18 | 2019-09-27 | 西安交通大学 | 一种基于实时业务配置的工业sdn资源分配方法 |
CN111431820A (zh) * | 2020-03-09 | 2020-07-17 | 上海交通大学 | 基于业务类型的在线数据流QoS识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103326884A (zh) * | 2013-05-30 | 2013-09-25 | 烽火通信科技股份有限公司 | Sdn网络中结合流检测和包检测的业务流感知系统及方法 |
CN104270392A (zh) * | 2014-10-24 | 2015-01-07 | 中国科学院信息工程研究所 | 一种基于三分类器协同训练学习的网络协议识别方法及系统 |
CN105024862A (zh) * | 2015-08-05 | 2015-11-04 | 福建师范大学 | 一种基于自主学习的网络业务识别方法 |
CN105897611A (zh) * | 2016-06-24 | 2016-08-24 | 武汉绿色网络信息服务有限责任公司 | 一种基于sdn采用dpi技术实现业务识别和流量调度的系统和方法 |
CN106294590A (zh) * | 2016-07-29 | 2017-01-04 | 重庆邮电大学 | 一种基于半监督学习的社交网络垃圾用户过滤方法 |
CN107317758A (zh) * | 2017-06-12 | 2017-11-03 | 西安交通大学 | 一种高可靠性的细粒度sdn流量监控架构 |
-
2018
- 2018-03-26 CN CN201810251707.8A patent/CN108460423B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103326884A (zh) * | 2013-05-30 | 2013-09-25 | 烽火通信科技股份有限公司 | Sdn网络中结合流检测和包检测的业务流感知系统及方法 |
CN104270392A (zh) * | 2014-10-24 | 2015-01-07 | 中国科学院信息工程研究所 | 一种基于三分类器协同训练学习的网络协议识别方法及系统 |
CN105024862A (zh) * | 2015-08-05 | 2015-11-04 | 福建师范大学 | 一种基于自主学习的网络业务识别方法 |
CN105897611A (zh) * | 2016-06-24 | 2016-08-24 | 武汉绿色网络信息服务有限责任公司 | 一种基于sdn采用dpi技术实现业务识别和流量调度的系统和方法 |
CN106294590A (zh) * | 2016-07-29 | 2017-01-04 | 重庆邮电大学 | 一种基于半监督学习的社交网络垃圾用户过滤方法 |
CN107317758A (zh) * | 2017-06-12 | 2017-11-03 | 西安交通大学 | 一种高可靠性的细粒度sdn流量监控架构 |
Non-Patent Citations (2)
Title |
---|
PEDRO AMARAL ET AL: "Machine Learning in Software Defined Networks:Data Collection and Traffic Classification", 《2016 IEEE 24TH INTERNATIONAL CONFERENCE ON NETWORK PROTOCOLS (ICNP)》 * |
赵树鹏: "基于流中前5个包的在线流量分类特征", 《济南大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614436A (zh) * | 2018-11-21 | 2019-04-12 | 国网四川省电力公司眉山供电公司 | 电力物资调控系统和相应的方法 |
CN109978073A (zh) * | 2019-04-03 | 2019-07-05 | 大连大学 | 一种空间信息网络任务智能识别方法 |
CN109978073B (zh) * | 2019-04-03 | 2023-02-28 | 大连大学 | 一种空间信息网络任务智能识别方法 |
CN110290077A (zh) * | 2019-06-18 | 2019-09-27 | 西安交通大学 | 一种基于实时业务配置的工业sdn资源分配方法 |
CN110290077B (zh) * | 2019-06-18 | 2021-02-09 | 西安交通大学 | 一种基于实时业务配置的工业sdn资源分配方法 |
CN111431820A (zh) * | 2020-03-09 | 2020-07-17 | 上海交通大学 | 基于业务类型的在线数据流QoS识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108460423B (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460423A (zh) | 一种基于sdn架构的业务识别方法 | |
CN102523241B (zh) | 基于决策树高速并行处理的网络流量在线分类方法及装置 | |
CN110070530B (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN104778836B (zh) | 基于手机信令数据质量感知的高速公路交通状态识别方法 | |
CN105871832B (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 | |
CN108009473A (zh) | 基于目标行为属性视频结构化处理方法、系统及存储装置 | |
CN109726744A (zh) | 一种网络流量分类方法 | |
CN109359666A (zh) | 一种基于多特征融合神经网络的车型识别方法及处理终端 | |
CN108037770A (zh) | 基于人工智能的无人机输电线路巡检系统和方法 | |
CN111710177B (zh) | 智慧交通信号灯组网协同优化控制系统及控制方法 | |
CN108052859A (zh) | 一种基于聚类光流特征的异常行为检测方法、系统及装置 | |
Kawano et al. | Road marking blur detection with drive recorder | |
CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN102315974A (zh) | 基于层次化特征分析的tcp、udp流量在线识别方法和装置 | |
CN106710208A (zh) | 交通状态的获取方法及装置 | |
CN111914813A (zh) | 基于图像分类的输电线路巡检图像命名方法及系统 | |
CN108108897B (zh) | 一种轨道交通客流清分方法、系统及电子设备 | |
CN102685016A (zh) | 互联网流量区分方法 | |
CN104468567B (zh) | 一种网络多媒体业务流识别和映射的系统及方法 | |
CN107426059A (zh) | Dpi设备特征库自动更新方法、系统、dpi设备及云端服务器 | |
CN114240933B (zh) | 一种用于空中交通管制的ads-b攻击检测方法 | |
CN109840904B (zh) | 一种高铁接触网大尺度差异零部件检测方法 | |
CN108229256A (zh) | 一种道路施工检测方法及装置 | |
CN108334831A (zh) | 一种监测图像处理方法、监测终端及系统 | |
CN113327248B (zh) | 一种基于视频的隧道车流量统计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |