CN108650195B - 一种app流量自动识别模型构建方法 - Google Patents

一种app流量自动识别模型构建方法 Download PDF

Info

Publication number
CN108650195B
CN108650195B CN201810346473.5A CN201810346473A CN108650195B CN 108650195 B CN108650195 B CN 108650195B CN 201810346473 A CN201810346473 A CN 201810346473A CN 108650195 B CN108650195 B CN 108650195B
Authority
CN
China
Prior art keywords
app
data
flow
file
class
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.)
Active
Application number
CN201810346473.5A
Other languages
English (en)
Other versions
CN108650195A (zh
Inventor
蒋言
李维
杨铃
张先勇
汪洋
彭艳兵
李华蓉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NANJING FIBERHOME TELECOMMUNICATION TECHNOLOGIES Co.,Ltd.
Original Assignee
Nanjing Fiberhome Telecommunication Technologies Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Fiberhome Telecommunication Technologies Co ltd filed Critical Nanjing Fiberhome Telecommunication Technologies Co ltd
Priority to CN201810346473.5A priority Critical patent/CN108650195B/zh
Publication of CN108650195A publication Critical patent/CN108650195A/zh
Application granted granted Critical
Publication of CN108650195B publication Critical patent/CN108650195B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
    • H04L47/2475—Traffic characterised by specific attributes, e.g. priority or QoS for supporting traffic characterised by the type of applications
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/70—Software maintenance or management
    • G06F8/74—Reverse engineering; Extracting design information from source code
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/70—Software maintenance or management
    • G06F8/75—Structural analysis for program understanding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
    • H04L47/2441—Traffic characterised by specific attributes, e.g. priority or QoS relying on flow classification, e.g. using integrated services [IntServ]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
    • H04L47/2483—Traffic characterised by specific attributes, e.g. priority or QoS involving identification of individual flows
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L61/00—Network arrangements, protocols or services for addressing or naming
    • H04L61/45—Network directories; Name-to-address mapping
    • H04L61/4505—Network directories; Name-to-address mapping using standardised directories; using standardised directory access protocols
    • H04L61/4511—Network directories; Name-to-address mapping using standardised directories; using standardised directory access protocols using domain name system [DNS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Telephonic Communication Services (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种APP流量自动识别模型构建方法，包括：获取APP的应用程序包；由应用程序包获取APP的服务器IP地址；由IP地址进行设定时间段内的流量精准筛选，获取APP流量自动识别模型建立所需的训练数据；由训练数据构建特征选取方法和学习过程；为每个APP构建一个对应的二分类器，对于未知类别的流量数据，经数据预处理之后放入二分类器，输出概率最高的APP类别，判断为该未知流量的APP类别。本发明极大的减少人工提取特征的过程，可实现通过已知类别流量数据的学习而完成对未知流量数据类别判定的目标。

Description

一种APP流量自动识别模型构建方法
技术领域
本发明公开了一种APP流量自动识别模型构建方法，涉及网络通信领域。
背景技术
在网络通信领域中，大型企业网关对本企业互联网流量进行监控必不可少，互联网上APP流量的有效识别能协助企业网关对该应用的流量进行管理控制，避免造成网络拥塞等情况。传统识别方法是通过人工提取流量特征来构建识别模型，但是随着APP种类和协议类型复杂性的不断增加，以及实际应用中APP版本不断地更新，人工提取出的流量特征可能会随着版本更新等原因发生变化，人工构建模型的准确度和可扩展性也会随之大大下降。
发明内容
本发明所要解决的技术问题是：针对现有技术的缺陷，提供一种APP流量自动识别模型构建方法，采用反编译APP的方法对APP的流量数据进行聚类及精准筛选，减少人工过程。对精准筛选后的流量数据进行打标和特征工程，使用XGBoost算法对特征进行机器学习并建立二分类模型，对于未知APP类别的流量数据使用多个二分类模型进行判别，选取分类概率最高的APP类别判断为该未知流量的类别。
本发明为解决上述技术问题采用以下技术方案：
一种APP流量自动识别模型构建方法，所述方法的具体步骤包括：
步骤一、获取APP的应用程序包；
步骤二、由上述应用程序包获取APP的服务器IP地址；
步骤三、由上述IP地址进行设定时间段内的流量精准筛选，获取APP流量自动识别模型建立所需的训练数据；
步骤四、由上述训练数据构建特征选取方法和学习过程；
步骤五、为每个APP构建一个对应的二分类器，对于未知类别的流量数据，经数据预处理之后放入二分类器，输出概率最高的APP类别，判断为该未知流量的APP类别。
作为本发明的进一步优选方案，所述步骤二具体包括：
由APP的应用程序包获取其APK文件；
采用ApkTool及AXMLPrinter2工具解析APK中的AndroidManifest.xml文件；
从AndroidManifes.xml文件中获取该APK对应的域名；
通过ipip.net解析域名对应服务器IP地址的IP池。
作为本发明的进一步优选方案，步骤三所述的流量精准筛选的方法具体包括：
采用monkey或monkeyRunner工具，进行APK文件的自启动运行；
采用tcpdump或wireshark工具，进行APK文件运行的自动抓包，生成pcap文件；
对pcap文件进行数据报文流数据重组；
解析pcap文件获取五元组信息；
根据APP对应的IP池和pcap解析出的五元组信息，完成流数据的聚类，得到每类APP的精准训练数据。
作为本发明的进一步优选方案，所述pcap文件的五元组信息包括：源IP，源端口号，目的IP，目的端口号，传输层协议。
作为本发明的进一步优选方案，步骤三所述的训练数据的获得方法具体包括：
根据源IP和目的IP的位置，按照数据流的传输方向，将数据流分为上行数据和下行数据；
剔除数据流MAC层、IP层、传输层数据，提取数据的有效净载荷；
根据协议采取相应的净载荷提取方式，对有效净载荷进行归一化处理；
将归一化之后的满足设定维数的据作为输入的训练数据。
作为本发明的进一步优选方案，所述步骤五中，采用XGBoost为每个APP的训练数据构建二分类器。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：采用机器学习的方法对手机用户的APP流量训练数据进行学习建模，通过模型对未知APP流量的类别进行区分判断。训练数据的收集阶段可以采用从应用源头出发，反编译源码后获取相应的固定特征，然后对数据报文进行简单聚类去噪，极大的减少人工提取特征的过程。对于聚类去噪之后比较精准的训练数据，从报文数据的应用层抽取该应用的特征数据进行训练建模，提出基于流和上下行数据的思想，训练结束后为每一种APP建立一个二分类器，进而提高模型准确率，对于新的流量数据，在经过预处理之后在多个二分类器中完成分类，概率最高的及判定为该流量数据的类别，由此即可实现通过已知类别流量数据的学习而完成对未知流量数据类别判定的目标。
附图说明
图1是本发明中，多二分类器的流量识别模型的判别流程示意图；
图2是本发明中，自动化抓包过程示意图；
图3是某APK应用市场示例图；
图4是通过某应用市场获取的app和下载地址示例图；
图5是某APK的xml文件反编译后示例图；
图6是某域名解析得到IP示例图；
图7是数据预处理后数据格式示例图；
图8是本发明中，模型构建流程图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本专利的目的是对未知流量数据进行其所属APP应用的判断，为分析互联网中用户使用APP的网络行为奠定基础，同时也为互联网中报文数据的自动化解析过程提供一种APP流量识别的解决办法。通过反编译应用程序包，解析之后获取其服务器IP地址，根据IP地址完成这段时间内该应用的流量精准筛选，在少人工的情况下，得到模型建立所需的训练数据。针对训练数据构建特征选取方法和学习过程，为每种APP构建一个二分类器，对于未知类别的流量数据，经数据预处理之后放入二分类器，输出概率最高的APP类别，判断为该未知流量的APP类别。
具体实现方法步骤如下：
1.获取APP的应用程序包APK文件；
2.采用网络爬虫等技术手段从各大应用市场上下载各个应用的应用程序包；
3.APK文件反编译；
4.采用ApkTool及AXMLPrinter2工具解析APK中的AndroidManifest.xml文件；
5.从AndroidManifes.xml文件中获取该APK对应的域名；
6.采用网络爬虫等技术手段通过ipip.net解析域名对应服务器IP地址的IP池；
7.采用monkey或monkeyRunner工具，实现APK的自启动运行；
8.采用tcpdump或wireshark工具，实现APK运行的自动抓包，生成pcap文件；
9.pcap文件数据报文流数据重组；
10.解析pcap文件获取五元组信息(源IP，源端口号，目的IP，目的端口号，传输层协议)；
11.根据APP对应的IP池和pcap解析出的五元组信息，完成流数据的聚类，得到每类APP的精准训练数据；
12.根据源IP和目的IP的位置，按照数据流的传输方向，将数据流分为上行数据和下行数据；
13.对训练数据，编程自动化实现剔除数据流MAC层、IP层、传输层数据，提取数据的有效净载荷；
14.根据协议采取不同的净载荷提取方式，例如：TCP协议提取数据流第55个字节之后的数据，UDP协议提取第43个字节之后的数据，ICMP协议提取第71个字节之后的数据；
15.对有效净载荷进行归一化处理；
16.取归一化之后的前50维数据作为输入的训练数据；
17.为每个APP的数据流解析结果自动打标；
18.采用XGBoost为每个APP的训练数据构建二分类器；在本发明中，针对每个APP都会构建一个二分类器，对于未知的应用流量数据，其类别判断流程图如图1所示，对于前期精准训练数据的获取采用自动化抓包的方式，极大的减少人工工作量，提高工作效率，抓包流程图如图2所示。
19.多个二分类器输出。
下面结合附图对本发明的技术方案做进一步的详细说明：
a.如图3所示，以某APK应用市场为例；
b.如图4所示，采用网络爬虫等技术，获取每个APP的应用名称及下载链接；
c.根据步骤b中的下载链接，下载每个APP对应的应用程序包APK文件；
d.反编译步骤c中下载的APK文件，获取AndroidManifest.xml文件，并将文件命名为“APK包名.xml”的形式；
e.如图5所示，以某APK为例，从该“APK包名.xml”文件中提取其域名信息；
f.如图6所示，采用ipip.net从域名解析至IP池，获得该应用的服务器IP池；
g.采用tcpdump或wireshark抓包工具完成多应用的数据流量获取，得到pcap文件；
h.程序解析pcap文件进行数据流拼接；
i.根据源IP和目的IP的位置，按照数据流的传输方向，将数据流分为上行数据和下行数据；
j.如图7所示，针对不同协议类型进行不同的数据预处理过程，得到模型训练所需的输入数据，传输层的协议代码如表1所示：
表1传输层协议代码
协议名 ICMP IGMP TCP EGP IGP UDP IPv6 GRE ESP
代码 0x01 0x02 0x06 0x08 0x09 0x11 0x29 0x2f 0x32
k.模型构建流程图如图8所示；
l.为每个APP的pcap文件的数据预处理结果打上APP的类别标签；数据流经预处理之后的格式包括有label标签、up标签以及down标签，其中label表示训练数据的正反向样本标签，label＝1表示正向样本，label＝0表示反向样本，up表示上行数据流预处理之后的数据字符串，down表示下行数据流预处理之后的数据字符串，up/down为空表示该数据流没有上行/下行数据。
m.设置XGBoost训练参数，采用softmax函数进行多分类处理，学习率设置为0.01，每棵树的最大深度设置为5，二分类器的分类类别设置为2,；
param['eta']＝0.01
param['max_depth']＝5
param['num_class']＝2
param['objective']＝'multi:softprob'
n.以某应用的数据流为例；
训练数据采用聚类去噪之后的12000条该应用数据流数据，label设置为1，选取其他五种不同的应用经聚类去噪之后的各12000条数据流数据，label设置为0，作为反向样本。设置训练集：验证集＝0.72:0.25的比例，随机选取训练集和验证集完成该应用数据流的建模过程，得到该应用的数据流二分类器。
最后能得到该应用数据的预测效果如表2所示：
表2某应用样例测试预测结果
Figure BDA0001630619900000051
本方法是采用机器学习的方法对手机用户的APP流量训练数据进行学习建模，通过模型对未知APP流量的类别进行区分判断。训练数据的收集阶段可以采用从应用源头出发，反编译源码后获取相应的固定特征，然后对数据报文进行简单聚类去噪，极大的减少人工提取特征的过程。对于聚类去噪之后比较精准的训练数据，从报文数据的应用层抽取该应用的特征数据进行训练建模，为了提高模型准确率，提出基于流和上下行数据的思想，训练结束后为每一种APP建立一个二分类器，对于新的流量数据，在经过预处理之后在多个二分类器中完成分类，概率最高的及判定为该流量数据的类别，由此即可实现通过已知类别流量数据的学习而完成对未知流量数据类别判定的目标。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。

Claims (4)

1.一种APP流量自动识别模型构建方法，其特征在于，所述方法的具体步骤包括：
步骤一、获取APP的应用程序包；
步骤二、由上述应用程序包获取APP的服务器IP地址；
所述步骤二具体包括：
由APP的应用程序包获取其APK文件；
采用ApkTool及AXMLPrinter2工具解析APK中的AndroidManifest.xml文件；
从AndroidManifes.xml文件中获取该APK对应的域名；
通过ipip.net解析域名对应服务器IP地址的IP池；
步骤三、由上述IP地址进行设定时间段内的流量精准筛选，获取APP流量自动识别模型建立所需的训练数据；
所述的流量精准筛选的方法具体包括：
采用monkey或monkeyRunner工具，进行APK文件的自启动运行；
采用tcpdump或wireshark工具，进行APK文件运行的自动抓包，生成pcap文件；
对pcap文件进行数据报文流数据重组；
解析pcap文件获取五元组信息；
根据APP对应的IP池和pcap解析出的五元组信息，完成流数据的聚类，得到每类APP的精准训练数据；
步骤四、由上述训练数据构建特征选取方法和学习过程；
步骤五、为每个APP构建一个对应的二分类器，对于未知类别的流量数据，经数据预处理之后放入二分类器，输出概率最高的APP类别，判断为未知流量的APP类别。
2.如权利要求1所述的一种APP流量自动识别模型构建方法，其特征在于，所述pcap文件的五元组信息包括：源IP，源端口号，目的IP，目的端口号，传输层协议。
3.如权利要求2所述的一种APP流量自动识别模型构建方法，其特征在于，步骤三所述的训练数据的获得方法具体包括：
根据源IP和目的IP的位置，按照数据流的传输方向，将数据流分为上行数据和下行数据；
剔除数据流MAC层、IP层、传输层数据，提取数据的有效净载荷；
根据协议采取相应的净载荷提取方式，对有效净载荷进行归一化处理；
将归一化之后的满足设定维数的据作为输入的训练数据。
4.如权利要求1所述的一种APP流量自动识别模型构建方法，其特征在于：所述步骤五中，采用XGBoost为每个APP的训练数据构建二分类器。
CN201810346473.5A 2018-04-17 2018-04-17 一种app流量自动识别模型构建方法 Active CN108650195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810346473.5A CN108650195B (zh) 2018-04-17 2018-04-17 一种app流量自动识别模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810346473.5A CN108650195B (zh) 2018-04-17 2018-04-17 一种app流量自动识别模型构建方法

Publications (2)

Publication Number Publication Date
CN108650195A CN108650195A (zh) 2018-10-12
CN108650195B true CN108650195B (zh) 2021-08-24

Family

ID=63746442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810346473.5A Active CN108650195B (zh) 2018-04-17 2018-04-17 一种app流量自动识别模型构建方法

Country Status (1)

Country Link
CN (1) CN108650195B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109714335A (zh) * 2018-12-26 2019-05-03 北京天融信网络安全技术有限公司 一种信息检测方法及信息检测装置
CN112564991A (zh) * 2019-09-10 2021-03-26 华为技术有限公司 应用识别方法、装置及存储介质
CN112511457B (zh) 2019-09-16 2021-12-28 华为技术有限公司 一种数据流类型识别方法及相关设备
CN112532466A (zh) * 2019-09-17 2021-03-19 华为技术有限公司 流量识别方法、装置及存储介质
CN114362982A (zh) * 2020-10-12 2022-04-15 中兴通讯股份有限公司 流量细分识别方法、系统、电子设备和存储介质
CN113411222B (zh) * 2021-08-02 2021-11-19 广州市刑事科学技术研究所 存储器、app服务器主机地址分析方法、装置和设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105187394A (zh) * 2015-08-10 2015-12-23 济南大学 具有移动终端恶意软件行为检测能力的代理服务器及方法
CN107239697A (zh) * 2017-06-27 2017-10-10 四维创智（北京）科技发展有限公司 一种基于移动流量的服务器端扫描方法
US9853876B1 (en) * 2014-06-13 2017-12-26 Narus, Inc. Mobile application identification in network traffic via a search engine approach

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10560362B2 (en) * 2014-11-25 2020-02-11 Fortinet, Inc. Application control

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9853876B1 (en) * 2014-06-13 2017-12-26 Narus, Inc. Mobile application identification in network traffic via a search engine approach
CN105187394A (zh) * 2015-08-10 2015-12-23 济南大学 具有移动终端恶意软件行为检测能力的代理服务器及方法
CN107239697A (zh) * 2017-06-27 2017-10-10 四维创智（北京）科技发展有限公司 一种基于移动流量的服务器端扫描方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Optimal supervised feature extraction in internet traffic classification";M. Sadegh Aliakbarian 等;《2013 IEEE Pacific Rim Conference on Communications, Computers and Signal Processing (PACRIM)》;20131010;全文 *
"微软恶意软件同源分析及检测系统架构设计";成正;《中国优秀硕士学位论文全文数据库·信息科技辑》;20180115;参见第27-28页 *
"移动终端应用与行为识别技术研究与实现";肖新光;《中国优秀硕士学位论文全文数据库·信息科技辑》;20180415;参见第6、24-35页 *

Also Published As

Publication number Publication date
CN108650195A (zh) 2018-10-12

Similar Documents

Publication Publication Date Title
CN108650195B (zh) 一种app流量自动识别模型构建方法
CN107426059B (zh) Dpi设备特征库自动更新方法、系统、dpi设备及云端服务器
CN110597734B (zh) 一种适用于工控私有协议的模糊测试用例生成方法
CN109167798B (zh) 一种基于机器学习的家用物联网设备DDoS检测方法
CN101741744B (zh) 一种网络流量识别方法
CN102271090B (zh) 基于传输层特征的流量分类方法及装置
CN110290022B (zh) 一种基于自适应聚类的未知应用层协议识别方法
CN111191767B (zh) 一种基于向量化的恶意流量攻击类型的判断方法
CN112491643B (zh) 深度报文检测方法、装置、设备及存储介质
CN110245273B (zh) 一种获取app业务特征库的方法及相应的装置
CN111740923A (zh) 应用识别规则的生成方法、装置、电子设备和存储介质
CN110474786B (zh) 基于随机森林分析VoLTE网络故障原因的方法及装置
CN111144470A (zh) 一种基于深度自编码器的未知网络流量识别方法及系统
CN102739457A (zh) 一种基于dpi和svm技术的网络流量识别系统及方法
CN107465643A (zh) 一种深度学习的网络流量分类方法
CN108289093A (zh) App应用特征码库的构建方法及构建系统
CN111526099A (zh) 基于深度学习的物联网应用流量检测方法
CN102984243B (zh) 一种ssl协议中应用的自动识别方法和装置
CN106535240A (zh) 基于云平台的移动app集中性能分析方法
CN104348682A (zh) 一种移动应用流量特征自动分析的方法和系统
CN106789416A (zh) 工控系统专用协议识别方法与系统
CN109660656A (zh) 一种智能终端应用程序识别方法
CN107707549A (zh) 一种自动提取应用特征的装置及方法
KR102365658B1 (ko) 트래픽 분류 방법 및 장치
CN114143301B (zh) 一种移动流量应用识别特征提取方法及系统

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 211161 Sheng'an Avenue 739, Binjiang Economic Development Zone, Jiangning District, Nanjing City, Jiangsu Province

Applicant after: Nanjing beacon World Communication Technology Co., Ltd.

Address before: 210019 No. 88 Yunlongshan Road, Jianye District, Nanjing City, Jiangsu Province

Applicant before: Nanjing beacon World Communication Technology Co., Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210726

Address after: 210019 26F, building a, Fenghuo science and technology building, 88 yunlongshan Road, Jianye District, Nanjing City, Jiangsu Province

Applicant after: NANJING FIBERHOME TELECOMMUNICATION TECHNOLOGIES Co.,Ltd.

Address before: 211161 Sheng'an Avenue 739, Binjiang Economic Development Zone, Jiangning District, Nanjing City, Jiangsu Province

Applicant before: NANJING FENGHUO TIANDI COMMUNICATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant