CN108805211A - 基于机器学习的智能业务类型感知方法 - Google Patents
基于机器学习的智能业务类型感知方法 Download PDFInfo
- Publication number
- CN108805211A CN108805211A CN201810619177.8A CN201810619177A CN108805211A CN 108805211 A CN108805211 A CN 108805211A CN 201810619177 A CN201810619177 A CN 201810619177A CN 108805211 A CN108805211 A CN 108805211A
- Authority
- CN
- China
- Prior art keywords
- service
- classifier
- network
- service type
- classification
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000010801 machine learning Methods 0.000 title claims abstract description 20
- 230000001149 cognitive effect Effects 0.000 title abstract 2
- 238000012706 support-vector machine Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 238000013145 classification model Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于机器学习的智能业务类型感知方法，尽可能多的提取网络流量特征，然后根据相关性进行筛选，并基于支持向量机的分类器实现业务感知分类，不仅可以实现对传统业务的类型感知，又可以实现对采用随机端口或隐藏端口的业务以及将报文内容加密的业务的类型感知。
Description
技术领域
本发明属于通信网络中业务感知技术领域，特别涉及一种通信网络中业务类型的分类技术。
背景技术
随着网络规模的不断扩大，业务环境日趋复杂，网络已发展成为一个能够承载数据、语音、图像和实时多媒体业务的复杂巨型系统。为了全面掌握网络运行状态、用户行为规律、高效监测和控制网络，迫切需要对网络流量进行精准的分类。通过对网络中业务进行分类，了解各类业务自身的特点，才能高效地管理、监测、控制网络。传统的业务类型感知方法主要包括两类：基于端口的业务分类和基于协议关键字的业务分类。
基于端口的业务类型感知是最简单传统的方法，通过检测数据包中源端口和目的端口来判断业务类型。IAIA将小于1024的端口分给特定的网络应用，例如将端口号80分给HTTP应用，将端口号53分给DNS。由于不同的应用使用不同的端口号(例如HTTP应用端口号为80，DNS应用端口号为53)，因此可以通过获取并匹配报文中的端口号来进行业务分类。但是随着新业务以及私有业务的出现，这些业务很可能采用随机端口号或者隐藏端口号。例如改进的Passive FTP协议不再使用固定的众所周知的20端口号。对于这些采用随机端口或隐藏端口的业务，基于端口的业务感知方法将失效。
基于协议关键字的业务类型分类方法则是采用了一种基于数据包的深度检测技术，即DPI(Deep Packet Inspection)检测。因为网络应用通常采用不同的网络协议，而不同的协议又有其自己特定的关键字，比如HTTP协议的POST、GET关键字。基于协议关键字的业务类型分类方法则是通过读取数据包中协议关键字信息来判断该业务的类型。该方法精确度以及可信度高。但是该分类方法有两个主要的缺点：一方面，由于需要进行关键字匹配，因此需要维护一个协议关键字数据库，考虑到每个协议有众多关键字，数据库将十分庞大；另一方面，对于将报文内容加密的网络应用，将很难甚至不能读取其报文里的协议关键字，此时该方法不再适用。
机器学习是人工智能领域中最能体现智能的一个分支。机器学习致力于研究如何通过计算的手段，利用经验来改善系统的性能。分类是机器学习的主要用途之一，其核心思想在于通过不断发掘数据集中样本点的特征与类型之间的统计关系，进而来实现分类。对于无法根据端口和协议关键字来分类的业务，可以通过机器学习方法来进行业务分类。目前已有文献使用机器学习来分类业务；但是还存在以下两个方面的问题：
一方面，对于网络流量特征的提取，在现有研究中，少有对网络流量特征与业务类型进行相关性分析，从而使得分类结果的准确性较低；
另一方面，由于一个支持向量机仅能将一个样本点分为两类，因此对于多种业务类型的分类需要构造多个支持向量机，最后再将多个支持向量机的分类结果进行融合，在现有研究中，大多是将测试样本点同时输入到所有支持向量机分类平面进行分类计算，最后再统计判断结果，当业务类型较多时，计算开销较大。
发明内容
为解决上述技术问题，本发明提供一种基于机器学习的智能业务类型感知方法，尽可能多的提取网络流量特征，然后根据相关性进行筛选，并基于支持向量机的分类器实现业务感知分类，不仅可以实现对传统业务的类型感知，又可以实现对采用随机端口或隐藏端口的业务以及将报文内容加密的业务的类型感知。
本发明采用的技术方案为：基于机器学习的智能业务类型感知方法，包括：
S1.网络流量特征提取，得到网络流量特征矩阵；
S2.根据步骤S1的网络流量特征矩阵构造和训练基于支持向量机的业务分类器；
S3.根据多种业务类型构造和训练多个S2中的分类器；
S4.将多个分类器的业务类型输出结果进行融合。
进一步地，所述步骤S1具体为：
S11.选取网络流量特征，包括：报文持续时间、报文到达间隔、报文大小、数据包大小、业务总的分组数目、业务的平均分组大小；
S12.通过下式对步骤S11中网络流量特征进行相关性分析，并选择具有强相关性的网络流量特征构造网络流量特征矩阵；
其中，Xi、Yi分别是第i个注入网络中的业务的特征X和该业务的类型；分别是训练样本集中所有注入网络的业务中特征X的均值和业务类型的均值；N是注入网络中的业务数量。
进一步地，步骤S2包括以下分步骤：
S21.根据下式构造分类平面：
其中，是将网络流量特征P映射到高维空间以后的特征向量；αi是拉格朗日乘子，i∈(1,m)；Ci是网络流量特征Pi所对应的业务类型；b是位移；m代表训练集中样本个数；
S22.采用高斯函数作为业务类型分类模型的核函数：
S23.根据步骤S21的式子以及步骤S22的核函数，得到基于支持向量机的业务分类模型：
进一步地，步骤S3包括以下分步骤：
S31.根据需要分类的业务总数以及步骤S2中一个分类器所能够分类的业务种数，确定分类器的数量；
S32.在训练集中选择与分类器所能够分类的业务类型相同的数据，对该分类器的分类模型进行训练，得到步骤S31中各个分类器的具体模型。
进一步地，所述步骤S4具体包括以下分步骤：
S41.计算测试集中样本点到步骤S32中各分类器的距离；
S42.若样本点到某个分类器的距离小于设定距离阈值，则将样本点输入该分类器进行分类结果判断，若大于或等于该阈值，则不输入该分类器；
S43.统计某个样本点在步骤S42中得到的输出结果，将对应输出数量最多的输出结果作为该样本点的类型判断结果。
更进一步地，所述步骤S41根据下式计算测试集中样本点到步骤S32中各分类器的距离：
本发明的有益效果：本发明的基于机器学习的智能业务类型感知方法，首先尽可能多的提取网络流量特征；然后选取强相关的特征组成网络流量特征矩阵，既可以实现对传统业务的类型感知，并且对于未被篡改或仿冒端口号、协议特征字的业务也可以对其正确分类；本发明的方法分类更准确且更具有普适性。
附图说明
图1是本发明实施例提供的基于机器学习的智能业务类型感知方法流程示意图；
图2是本发明实施例中支持向量机分类器的构造和训练流程图；
图3是本发明实施例中多个分类器分类结果融合示意图。
具体实施方式
为了便于本领域的普通技术人员理解本发明，首先对技术术语做出如下定义：
业务类型：网络中诸如视频、语音、图像、短文本等实时、非实时业务。
网络流量特征：网络中业务体现出来的统计特征，比如报文到达间隔、报文持续时间、报文长度等。
核函数：将样本点特征向量由二维空间向高维特征空间映射的映射函数。
支持向量机(Support Vector Machine,SVM)：一种机器学习分类模型，把分类问题转化为寻找分类平面的相关问题，进而通过计算样本点到分类平面的距离来实现分类。
训练集：用于训练支持向量机分类模型的数据集。
测试集：用于测试已经训练好的支持向量机分类器的数据集。
分类结果融合：将一个测试样本点输入多个分类器，由于多个分类器输出结果可能不一致，因此需要对各个分类结果进行融合处理，进而输出一个唯一的类型判断结果。
假设对视频、图像、文本三种业务类型进行分类，其中视频属于实时业务，图像和短文本属于非实时业务。针对这三种实时、非实时业务，其中文本可能是一个HTTP应用、也可能是一个email应用，这两种应用分别采用不同的端口号，因此不能通过端口号来标识文本业务。此外，假如该文本的报文有加密，那么也不能通过提取协议关键字来分类该文本业务。视频、图像业务同理。因此，接下来使用本发明提出的基于机器学习的智能业务类型感知方法对图像、视频、短文本业务进行分类。具体流程如图1所示，主要分为以下步骤：
S1.网络流量特征作为业务的标识以及分类模型的输入，网络流量特征的选取很大程度上决定了分类效果。定义过少的特征将会影响分类的准确性，定义过多的网络流量特征，则会增加计算量甚至造成过拟合。针对该问题，本步骤包括两个步骤，步骤S11尽可能多的提取网络流量特征；步骤S12对S11提取的各个特征进行相关性分析，选取强相关的特征来组成网络流量特征矩阵。具体为：
S11.网络流量特征选取。网络流量通常是指网络中主机应用进程之间双向通信的报文的流动。网络流量特征涵盖了包括语音、图像、视频、文本、实时业务等的相关统计数据信息。网络流量特征主要包括：报文长度、报文持续时间、报文到达间隔、传输总字节数、报文传输速率等，此外，端口、协议关键字也属于网络流量特征的一部分。但是由于端口和协议关键字对业务类型影响很大，因此会造成一种现象，即：对于未被篡改或仿冒端口号、协议特征字的业务已经可以对其正确分类，而对于被篡改或仿冒端口号、特征字的业务则会直接分类错误。因此，不选取端口和协议特征字作为网络流量特征的一部分。此外，考虑到主要对包括视频、图像、短文本的实时和非实时业务进行分类。因此，初步将网络流量特征矩阵定义为：
P(报文持续时间、报文到达间隔、报文大小、业务总的分组数目、业务的平均分组大小)
S12.特征相关性分析。相关系数(Correlation coefficient)是反应变量之间关系密切程度的统计指标，相关系数的取值区间在1到-1之间。1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关。数据越趋近于0表示相关关系越弱。相关系数表示为：
其中，Xi、Yi分别是第i个注入网络中的业务的特征X和该业务的类型；分别是训练样本集中所有注入网络的业务中特征X的均值和业务类型的均值；N是注入网络中的业务数量。当相关系数|rxy|大于某个阈值时，认为该特征与业务类型有强相关性。其中，一些文献中采用0.8作为阈值，而该阈值可以根据实际仿真数据来选择其他的数值。选择具有强相关性的特征来重新构造S1中网络流量特征矩阵P。例如，采用0.8作为相关系数阈值，通过仿真计算，报文持续时间、报文到达间隔、报文大小与业务类型的相关系数均大于0.8，因此将P重新定义为：
P(报文持续时间、报文到达间隔、报文大小)
S2.将步骤S1提取出的业务网络流量特征矩阵P作为分类器的输入，构造和训练基于支持向量机的业务分类器。在定义好网络流量特征矩阵P以后，利用支持向量机分类模型将该网络流量特征P映射到不同的业务类型，进而实现业务分类。基于支持向量机的业务分类模型如图2所示。步骤S2包括以下三个分步骤：
S21.构造支持向量机分类器。支持向量机把分类问题转化为寻找分类平面的问题，通过最大化分类变节点距离分类平面的距离来选择分类平面，进而使用该划分超平面来分类。
对于给定的训练样本集D＝((P1,C1),(P2,C2),…,(Pm,Cm))，其中Pi是第i个业务的网络流量特征矩阵，Ci是第i个业务的类型。支持向量机基于训练集D在样本空间中找到一个划分超平面，这个划分超平面即分类模型，也将其称为分类器。当新的未知类型业务到来以后，将其网络流量特征提取出来，并作为一个测试样本点输入到分类器中，然后由分类器自动输出该业务的类型分类结果。
由于业务类型分类的非线性，因此首先需要将特征样本点从原始空间映射到一个更高维的特征空间，使得特征样本点在高维特征空间内线性可分。令表示将网络流量特征P由二维空间映射到高维空间后的特征向量，在高维特征空间中划分超平面所对应的模型可以表示为：
其中，αi，i∈(1,m)是拉格朗日乘子；Ci，i∈(1,m)是网络流量特征Pi所对应的业务类型；b是位移，决定了超平面与原点之间的距离；m代表训练集中样本个数。
S22.令核函数核函数标识了样本点由原始空间向高维特征空间的映射。在支持向量机里，常用的核函数包括：线性核函数、多项式核函数、高斯核函数、拉普拉斯核函数以及Sigmoid核函数。在这些核函数里，由于高斯核函数主要用于线性不可分、参数较多、高维的场景，而且即使是小样本也同样适用。此外，考虑到网络中业务类型特征矩阵非线性的特点，以及为了使用较少的数据来训练分类模型，因此，采用高斯函数作为业务分类模型的核函数，核函数k(Pi,P)表示为：
S23.将步骤S22中核函数带入步骤S21中的式f(P)，因此基于支持向量机的业务分类模型可进一步表示为：
S3.由于一个支持向量机分类器只能分为两类，因此对于视频、图像、短文本这三种业务类型的分类需要三个分类器。本步骤根据多种业务类型构造和训练多个S2中的分类器。具体实施过程如下所示：
S31.对于视频、图像、短文本三种业务的类型，分别将其标识为A、B、C三类。则需要有3个分类器，分别用于(A,B)、(A,C)、(B,C)三个业务类型组合的分类。根据步骤S2将Ci、Cj类型分类的分类模型表示为：
S32.用训练集中类型为Ci、Cj的数据来训练S31中的相应分类器中的参数，进而得到各个分类器具体模型。
S4.将多个分类器的业务类型输出结果进行融合。传统的分类结果融合是：当新的未知业务到来以后，按照步骤S1提取该未知类型业务的网络流量特征P，将P作为一个测试样本点，依次输入所有分类器，最后对所有分类器的输出结果进行统计，选择统计数量最大的一个结果作为整个系统的输出，即该未知业务的类型。由步骤S31可知，K种业务类型需要K(KPi-1)/2个分类器。当K很大时，分类器的数量也很大，当源源不断的未知业务输入到该分类系统中时，如果按照传统的融合方法，则要经过每个分类器去计算，计算开销较大。因此，本步骤引入样本点与分类平面的距离来改进传统的融合方法，具体实施过程如下所示：
S41.根据式计算测试集中样本点到S32中各个分类平面的距离d。
S42.由于支持向量机中，主要是通过样本点与划分超平面的距离来对样本点进行分类。假设一共有N个分类器，首先，根据S41中公式计算未知样本点到这N个分类器的划分超平面的距离di(1≤i≤N)；然后，设置一个距离阈值dthread；最后，对于距离di<dthread的分类器，则认为该样本点到该分类器的划分超平面距离太远，不属于该分类器所对应的两种类型之一，因此不输入这部分分类器，进而减小计算量。
S43.分类结果融合，每个测试样本点所经过的分类器都会有一个类型输出，将这些输出的分类结果进行统计，以数量最多的类型作为整个分类系统的输出结果，即未知样本点的业务类型(如图3所示)。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (6)
1.基于机器学习的智能业务类型感知方法，其特征在于，包括：
S1.网络流量特征提取，得到网络流量特征矩阵；
S2.根据步骤S1的网络流量特征矩阵构造和训练基于支持向量机的业务分类器；
S3.根据多种业务类型构造和训练多个S2中的分类器；
S4.将多个分类器的业务类型输出结果进行融合。
2.根据权利要求1所述的基于机器学习的智能业务类型感知方法，其特征在于，所述步骤S1具体为：
S11.选取网络流量特征，包括：报文持续时间、报文到达间隔、报文大小、数据包大小、业务总的分组数目、业务的平均分组大小；
S12.通过下式对步骤S11中网络流量特征进行相关性分析，并选择具有强相关性的网络流量特征构造网络流量特征矩阵；
其中，Xi、Yi分别是第i个注入网络中的业务的特征X和该业务的类型；分别是训练样本集中所有注入网络的业务中特征X的均值和业务类型的均值；N是注入网络中的业务数量。
3.根据权利要求1所述的基于机器学习的智能业务类型感知方法，其特征在于，步骤S2包括以下分步骤：
S21.根据下式构造分类平面：
其中，是将网络流量特征P映射到高维空间以后的特征向量；αi是拉格朗日乘子，i∈(1,m)；Ci是网络流量特征Pi所对应的业务类型；b是位移；m代表训练集中样本个数；
S22.采用高斯函数作为业务类型分类模型的核函数：
S23.根据步骤S21的式子以及步骤S22的核函数，得到基于支持向量机的业务分类模型：
4.根据权利要求3所述的基于机器学习的智能业务类型感知方法，其特征在于，步骤S3包括以下分步骤：
S31.根据需要分类的业务总数以及步骤S2中一个分类器所能够分类的业务种数，确定分类器的数量；
S32.在训练集中选择与分类器所能够分类的业务类型相同的数据，对该分类器的分类模型进行训练，得到步骤S31中各个分类器的具体模型。
5.根据权利要求4所述的基于机器学习的智能业务类型感知方法，其特征在于，所述步骤S4具体包括以下分步骤：
S41.计算测试集中样本点到步骤S32中各分类器的距离；
S42.若样本点到某个分类器的距离小于设定距离阈值，则将样本点输入该分类器进行分类结果判断，若大于或等于该阈值，则不输入该分类器；
S43.统计某个样本点在步骤S42中得到的输出结果，将对应输出数量最多的输出结果作为该样本点的类型判断结果。
6.根据权利要求5所述的基于机器学习的智能业务类型感知方法，其特征在于，所述步骤S41根据下式计算测试集中样本点到步骤S32中各分类器的距离：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810619177.8A CN108805211A (zh) | 2018-06-15 | 2018-06-15 | 基于机器学习的智能业务类型感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810619177.8A CN108805211A (zh) | 2018-06-15 | 2018-06-15 | 基于机器学习的智能业务类型感知方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108805211A true CN108805211A (zh) | 2018-11-13 |
Family
ID=64086501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810619177.8A Pending CN108805211A (zh) | 2018-06-15 | 2018-06-15 | 基于机器学习的智能业务类型感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108805211A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109818875A (zh) * | 2019-01-23 | 2019-05-28 | 天津大学 | 基于协同采样的流量应用感知平台 |
| CN110247819A (zh) * | 2019-05-23 | 2019-09-17 | 武汉安问科技发展有限责任公司 | 一种基于加密流识别的Wi-Fi视频采集设备检测方法及系统 |
| CN110535728A (zh) * | 2019-09-05 | 2019-12-03 | 烽火通信科技股份有限公司 | 一种网络流量感知方法及系统 |
| CN112866129A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 根据时效标志自动调节间隔的组包方法、装置及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824130A (zh) * | 2014-02-27 | 2014-05-28 | 武汉理工大学 | 一种基于svm的粮情预测预警方法及系统 |
| CN104850855A (zh) * | 2015-04-27 | 2015-08-19 | 小米科技有限责任公司 | 计算置信度的方法和装置 |
| CN105809190A (zh) * | 2016-03-03 | 2016-07-27 | 南京邮电大学 | 一种基于特征选取的svm级联分类器方法 |
| CN107784286A (zh) * | 2017-10-27 | 2018-03-09 | 济南大学 | 基于竞争码和bloom滤波器的掌纹识别方法 |
| US20180152475A1 (en) * | 2016-11-30 | 2018-05-31 | Foundation Of Soongsil University-Industry Cooperation | Ddos attack detection system based on svm-som combination and method thereof |
-
2018
- 2018-06-15 CN CN201810619177.8A patent/CN108805211A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824130A (zh) * | 2014-02-27 | 2014-05-28 | 武汉理工大学 | 一种基于svm的粮情预测预警方法及系统 |
| CN104850855A (zh) * | 2015-04-27 | 2015-08-19 | 小米科技有限责任公司 | 计算置信度的方法和装置 |
| CN105809190A (zh) * | 2016-03-03 | 2016-07-27 | 南京邮电大学 | 一种基于特征选取的svm级联分类器方法 |
| US20180152475A1 (en) * | 2016-11-30 | 2018-05-31 | Foundation Of Soongsil University-Industry Cooperation | Ddos attack detection system based on svm-som combination and method thereof |
| CN107784286A (zh) * | 2017-10-27 | 2018-03-09 | 济南大学 | 基于竞争码和bloom滤波器的掌纹识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李雪花 等: "基于SVM多类分类器的字符识别", 《信息技术》 * |
| 艾延廷，王克明，沙云东: "《航空发动机状态监测与故障诊断技术》", 31 July 2017, 北京理工大学出版社 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109818875A (zh) * | 2019-01-23 | 2019-05-28 | 天津大学 | 基于协同采样的流量应用感知平台 |
| CN109818875B (zh) * | 2019-01-23 | 2022-06-03 | 天津大学 | 基于协同采样的流量应用感知平台 |
| CN110247819A (zh) * | 2019-05-23 | 2019-09-17 | 武汉安问科技发展有限责任公司 | 一种基于加密流识别的Wi-Fi视频采集设备检测方法及系统 |
| CN110247819B (zh) * | 2019-05-23 | 2021-07-06 | 武汉安问科技发展有限责任公司 | 一种基于加密流识别的Wi-Fi视频采集设备检测方法及系统 |
| CN110535728A (zh) * | 2019-09-05 | 2019-12-03 | 烽火通信科技股份有限公司 | 一种网络流量感知方法及系统 |
| CN112866129A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 根据时效标志自动调节间隔的组包方法、装置及系统 |
| CN112866129B (zh) * | 2021-03-31 | 2023-03-21 | 中国工商银行股份有限公司 | 根据时效标志自动调节间隔的组包方法、装置及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Retweet wars: Tweet popularity prediction via dynamic multimodal regression | |
| CN108805211A (zh) | 基于机器学习的智能业务类型感知方法 | |
| WO2023179429A1 (zh) | 一种视频数据的处理方法、装置、电子设备及存储介质 | |
| CN109525508B (zh) | 基于流量相似性比对的加密流识别方法、装置及存储介质 | |
| CN104679902A (zh) | 一种结合跨媒体融合的信息摘要提取方法 | |
| Yang et al. | One-class classification using generative adversarial networks | |
| CN115244587A (zh) | 高效基础事实注释 | |
| Zhu et al. | Learning from multiple sources for video summarisation | |
| Hariharan et al. | Explainable artificial intelligence in cybersecurity: A brief review | |
| Wang et al. | Time-variant graph classification | |
| CN113064995A (zh) | 一种基于图深度学习的文本多标签分类方法和系统 | |
| Haines et al. | Delta-dual hierarchical dirichlet processes: A pragmatic abnormal behaviour detector | |
| Jin et al. | Crime-GAN: A context-based sequence generative network for crime forecasting with adversarial loss | |
| CN114299321A (zh) | 视频分类方法、装置、设备及可读存储介质 | |
| CN115600128A (zh) | 一种半监督加密流量分类方法、装置及存储介质 | |
| CN108234452B (zh) | 一种网络数据包多层协议识别的系统和方法 | |
| Jemilda et al. | Moving object detection and tracking using genetic algorithm enabled extreme learning machine | |
| CN104008177A (zh) | 面向图像语义标注的规则库结构优化与生成方法及系统 | |
| CN114329050A (zh) | 视觉媒体数据去重处理方法、装置、设备和存储介质 | |
| CN114491071A (zh) | 一种基于跨媒体数据的食品安全知识图谱构建方法及系统 | |
| Ruan et al. | Big network traffic data visualization | |
| CN116545944A (zh) | 一种网络流量分类方法及系统 | |
| CN115035463B (zh) | 行为识别方法、装置、设备和存储介质 | |
| CN114358177B (zh) | 一种基于多维度特征紧凑决策边界的未知网络流量分类方法及系统 | |
| US20240087365A1 (en) | Systems and methods for identifying an object of interest from a video sequence |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181113 |
|
| RJ01 | Rejection of invention patent application after publication |