CN109412900A

CN109412900A - 一种网络状态识别的方法、模型训练的方法及装置

Info

Publication number: CN109412900A
Application number: CN201811475748.1A
Authority: CN
Inventors: 周瑞卿; 张丹; 宁斌晖
Original assignee: Tencent Technology Shenzhen Co Ltd
Current assignee: Tencent Technology Shenzhen Co Ltd
Priority date: 2018-12-04
Filing date: 2018-12-04
Publication date: 2019-03-01
Anticipated expiration: 2038-12-04
Also published as: CN109412900B

Abstract

本发明公开了一种网络状态识别的方法，包括：获取待识别交互式应用所对应的目标交互流量数据；根据目标交互流量数据获取目标流量特征信息；通过目标网络识别模型确定目标流量特征信息所对应的目标网络行为信息，目标网络行为信息包括目标交互状态信息以及目标网络状态信息，目标交互状态信息用于表示待识别交互式应用的运行情况，目标网络状态信息用于表示运行待识别交互式应用的网络环境；根据目标网络行为信息生成网络状态识别结果。本发明还提供了一种模型训练方法、客户端、服务器及终端设备。本发明实施例不但可以监测到游戏交互过程中的交互状态信息，还可以监测到网络状态信息，从而提升检测的准确度。

Description

一种网络状态识别的方法、模型训练的方法及装置

技术领域

本发明涉及互联网技术领域，尤其涉及一种网络状态识别的方法、模型训练的方法及装置。

背景技术

当今社会，网络游戏以其不受空间时间限制的优势越来越多地受到人们的青睐。可以说，网络游戏极大地丰富了人们的日常生活。对于实时游戏来说，网络环境很大程度影响到了玩家的用户体验。

在目前的网络诊断产品中，通常可以针对游戏业务进行网络状态的识别，比如，当检测到在该游戏环境下的网络延迟较大时，会通知玩家目前存在较大时延，玩家可以根据提示关闭占用网络资源的应用程序，以使游戏业务能够正常进行。

然而，尽管目前的方案能够自动检测游戏业务下的网络状态情况，但是判断的依据比较单一，通常仅以个别状态参数为依据进行检测，并无法感知玩家与游戏交互过程中的各种状态，从而降低了检测的准确度，不适用于网络游戏这类对实时性要求较高的场景。

发明内容

本发明实施例提供了一种网络状态识别的方法、模型训练的方法及装置，不但可以监测到游戏交互过程中的交互状态信息，还可以监测到网络状态信息，由此感知玩家与游戏交互过程中的各种状态，从而提升检测的准确度，可针对不同状态进行网络优化。

有鉴于此，本发明的第一方面提供了一种网络状态识别的方法，包括：

获取待识别交互式应用所对应的目标交互流量数据；

根据所述目标交互流量数据获取目标流量特征信息，其中，所述目标流量特征信息为根据目标原始收发数据统计得到的，所述目标原始收发数据属于所述目标交互流量数据；

通过目标网络识别模型确定所述目标流量特征信息所对应的目标网络行为信息，其中，所述目标网络行为信息包括目标交互状态信息以及目标网络状态信息，所述目标交互状态信息用于表示所述待识别交互式应用的运行情况，所述目标网络状态信息用于表示运行所述待识别交互式应用的网络环境，所述目标网络识别模型为根据服务器发送的网络模型参数所生成的；

根据所述目标网络行为信息生成网络状态识别结果。

本发明的第二方面提供了一种模型训练的方法，包括：

获取交互流量数据，其中，所述交互流量数据表示交互式应用在至少一种网络环境下所对应的流量数据；

根据所述交互流量数据获取流量特征信息，其中，所述流量特征信息为根据原始收发数据统计得到的，所述原始收发数据属于所述交互流量数据；

根据所述交互流量数据获取交互网络状态信息，其中，所述交互网络状态信息包括交互状态信息以及网络状态信息，所述交互状态信息用于表示所述交互式应用的运行情况，所述网络状态信息用于表示运行所述交互式应用的网络环境；

对所述流量特征信息与所述交互网络状态信息进行训练，得到网络模型参数；

向客户端发送所述网络模型参数，以使所述客户端根据所述网络模型参数生成目标网络识别模型，其中，所述目标网络识别模型用于检测至少一种交互式应用所对应的目标网络行为信息。

本发明的第三方面提供了一种客户端，包括：

获取模块，用于获取待识别交互式应用所对应的目标交互流量数据；

所述获取模块，还用于根据所述目标交互流量数据获取目标流量特征信息，其中，所述目标流量特征信息为根据目标原始收发数据统计得到的，所述目标原始收发数据属于所述目标交互流量数据；

确定模块，用于通过目标网络识别模型确定所述获取模块获取的所述目标流量特征信息所对应的目标网络行为信息，其中，所述目标网络行为信息包括目标交互状态信息以及目标网络状态信息，所述目标交互状态信息用于表示所述待识别交互式应用的运行情况，所述目标网络状态信息用于表示运行所述待识别交互式应用的网络环境，所述目标网络识别模型为根据服务器发送的网络模型参数所生成的；

生成模块，用于根据所述确定模块确定的所述目标网络行为信息生成网络状态识别结果。

在一种可能的设计中，在本发明实施例的第三方面的第一种实现方式中，所述客户端还包括判断模块；

所述判断模块，用于在所述确定模块通过目标网络识别模型确定所述目标流量特征信息所对应的目标网络行为信息之前，判断所述待识别交互式应用是否属于预设交互式应用；

所述获取模块，还用于若所述判断模块判断得到所述待识别交互式应用属于所述预设交互式应用，则从网络识别模型集合中获取所述目标网络识别模型，其中，所述网络识别模型集合中包含至少一种网络识别模型。

在一种可能的设计中，在本发明实施例的第三方面的第二种实现方式中，所述客户端还包括判断模块；

所述确定模块，还用于若所述判断模块判断得到所述待识别交互式应用不属于所述预设交互式应用，则根据所述目标交互流量数据确定所述待识别交互式应用的业务类型；

所述获取模块，还用于根据所述确定模块确定的所述待识别交互式应用的业务类型，从网络识别模型集合中获取所述目标网络识别模型，其中，所述网络识别模型集合中包含至少一种网络识别模型。

在一种可能的设计中，在本发明实施例的第三方面的第三种实现方式中，

所述确定模块，具体用于根据所述目标交互流量数据获取数据包的字节数；

采用预设概率密度函数对所述数据包的字节数进行匹配，得到匹配相似度；

根据匹配相似度确定所述待识别交互式应用的业务类型。

在一种可能的设计中，在本发明实施例的第三方面的第四种实现方式中，

所述确定模块，具体用于采用第一概率密度函数对所述数据包的字节数进行匹配，得到第一匹配相似度，其中，所述第一概率密度函数为根据第一估计参数以及第二估计参数生成的；

采用第二概率密度函数对所述数据包的字节数进行匹配，得到第二匹配相似度，其中，所述第二概率密度函数为根据第三估计参数以及第四估计参数生成的；

若所述第一匹配相似大于所述第二匹配相似度，则确定所述待识别交互式应用为第一业务类型；

若所述第一匹配相似小于所述第二匹配相似度，则确定所述待识别交互式应用为第二业务类型。

在一种可能的设计中，在本发明实施例的第三方面的第五种实现方式中，所述客户端还包括调整模块；

所述获取模块，还用于在所述生成模块根据所述目标网络行为信息生成网络状态识别结果之后，按照网络状态与网络控制策略之间的对应关系，获取所述网络状态识别结果所对应的目标网络控制策略；

所述调整模块，用于采用所述获取模块获取的所述目标网络控制策略对网络状态进行调整。

本发明的第四方面提供了一种服务器，包括：

获取模块，用于获取交互流量数据，其中，所述交互流量数据表示交互式应用在至少一种网络环境下所对应的流量数据；

所述获取模块，用于根据所述交互流量数据获取流量特征信息，其中，所述流量特征信息为根据原始收发数据统计得到的，所述原始收发数据属于所述交互流量数据；

所述获取模块，还用于根据所述交互流量数据获取交互网络状态信息，其中，所述交互网络状态信息包括交互状态信息以及网络状态信息，所述交互状态信息用于表示所述交互式应用的运行情况，所述网络状态信息用于表示运行所述交互式应用的网络环境；

训练模块，用于对所述获取模块获取的所述流量特征信息与所述交互网络状态信息进行训练，得到网络模型参数；

发送模块，用于向客户端发送所述训练模块训练得到的所述网络模型参数，以使所述客户端根据所述网络模型参数生成目标网络识别模型，其中，所述目标网络识别模型用于检测至少一种交互式应用所对应的目标网络行为信息。

在一种可能的设计中，在本发明实施例的第四方面的第一种实现方式中，

所述获取模块，具体用于根据所述交互流量数据获取原始收发数据，其中，所述原始收发数据包括预设时间内的数据包发送个数、所述预设时间内的数据包接收个数、所述预设时间内的发送字节数、所述预设时间内的接收字节数、所述预设时间内的无线保真wifi数据包发送个数、所述预设时间内的wifi数据包接收个数、所述预设时间内的wifi接收字节数以及所述预设时间内的wifi发送字节数中的至少一项；

对所述原始收发数据进行统计处理，得到所述流量特征信息，其中，所述统计处理包括方差计算处理、标准差计算处理、均值计算处理、最大值计算处理、最小值计算处理以及序列长度处理中的至少一种。

在一种可能的设计中，在本发明实施例的第四方面的第二种实现方式中，

所述获取模块，具体用于按照预设时间窗口对所述交互流量数据进行处理，得到N个样本数据，其中，所述N为大于或等于1的整数；

根据预先配置的网络环境参数，确定所述N个样本数据中每个样本数据所对应的网络状态信息；

根据所述N个样本数据中每个样本数据所对应的网络状态信息，确定所述N个样本数据中每个样本数据所对应的交互状态信息；

根据所述每个样本数据所对应的交互状态信息，以及所述每个样本数据所对应的网络状态信息，生成所述交互网络状态信息。

在一种可能的设计中，在本发明实施例的第四方面的第三种实现方式中，

所述训练模块，具体用于将所述流量特征信息输入至待训练神经网络模型，其中，所述待训练神经网络模型对应待训练网络模型参数，所述待训练网络模型参数包括第一偏置矩阵以及第一权重矩阵；

通过所述待训练神经网络模型获取所述流量特征信息所对应的预测交互网络状态信息；

根据所述预测交互网络状态信息以及所述交互网络状态信息，对所述待训练网络模型参数进行学习，得到所述网络模型参数，其中，所述网络模型参数包括第二偏置矩阵以及第二权重矩阵。

本发明第五方面提供一种终端设备，所述终端设备用于执行上述第一方面或第一方面的任一可能的实现方式中网络状态识别的方法。具体地，所述终端设备可以包括用于执行第一方面或第一方面的任一可能的实现方式中网络状态识别的方法的模块。

本发明第六方面提供一种终端设备，所述服务器用于执行上述第二方面或第二方面的任一可能的实现方式中模型训练的方法。具体地，所述服务器可以包括用于执行第二方面或第二方面的任一可能的实现方式中模型训练的方法的模块。

本发明的第七方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例中，提供了一种网络状态识别的方法，首先客户端获取待识别交互式应用所对应的目标交互流量数据，然后客户端可以根据目标交互流量数据获取目标流量特征信息，接下来，客户端通过目标网络识别模型确定目标流量特征信息所对应的目标网络行为信息，其中，目标网络行为信息包括目标交互状态信息以及目标网络状态信息，目标交互状态信息用于表示待识别交互式应用的运行情况，目标网络状态信息用于表示运行待识别交互式应用的网络环境，最后，客户端根据目标网络行为信息生成网络状态识别结果。通过上述方式，利用网络识别模型对游戏业务的网络状态情况进行实时监测，不但可以监测到游戏交互过程中的交互状态信息，还可以监测到网络状态信息，由此感知玩家与游戏交互过程中的各种状态，从而提升检测的准确度，可针对不同状态进行网络优化。

附图说明

图1为本发明实施例中网络状态识别系统的一个架构示意图；

图2为本发明实施例中识别交互网络状态信息的一个示意图；

图3为本发明实施例中网络状态识别的方法一个实施例示意图；

图4为本发明实施例中完整交互流量数据的一个实施例示意图；

图5为本发明实施例中部分交互流量数据的一个实施例示意图；

图6为本发明实施例中基于第一业务类型的交互式应用的下行数据包分布示意图；

图7a为本发明实施例中基于第二业务类型的交互式应用的上行数据包分布示意图；

图7b为本发明实施例中基于第二业务类型的交互式应用的下行数据包分布示意图；

图8为本发明实施例中客户端主动对网络状态进行调整的一个流程示意图；

图9为本发明实施例中模型训练的方法一个实施例示意图；

图10为本发明实施例中预设时间内数据包发送个数的一个采样示意图；

图11为本发明实施例中预设时间内数据包接收个数的一个采样示意图；

图12为本发明实施例中预设时间内发送字节数的一个采样示意图；

图13为本发明实施例中预设时间内接收字节数的一个采样示意图；

图14为本发明实施例中神经网络模型的一个结构示意图；

图15为本发明实施例中客户端一个实施例示意图；

图16为本发明实施例中客户端另一个实施例示意图；

图17为本发明实施例中客户端另一个实施例示意图；

图18为本发明实施例中服务器一个实施例示意图；

图19为本发明实施例中终端设备一个结构示意图；

图20为本发明实施例中服务器一个结构示意图。

具体实施方式

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应理解，本发明主要适用于实时类应用程序，比如网络游戏。对于实时类应用程序而言，网络环境很大程度影响用户体验。为了识别网络波动与游戏体验之间的关系，以及描述游戏过程中客户端与服务端交互过程在网络层面的表现，本发明通过建立网络识别模型来识别不同游戏业务在游戏过程中的各种状态(包含游戏状态和网络状态)，客户端可以实时感知和标记，并且可以针对不同的状态进行针对性网络优化措施。

为了便于理解，本发明提出了一种网络状态识别的方法，该方法应用于图1所示的网络状态识别系统，请参阅图1，图1为本发明实施例中网络状态识别系统的一个架构示意图，如图所示，服务器训练得到不同网络识别模型的模型参数，不同的网络识别模型往往用于识别不同类型的游戏，比如游戏“王者荣耀”采用网络识别模型A，游戏“绝地求生”采用网络识别模型B，游戏“QQ飞车”采用网络识别模型C。服务器将不同网络识别模型所对应的模型参数下发至客户端，由客户端存储这些网络识别模型的模型参数。当玩家启动一款网络游戏时，该客户端会对这款网络游戏的游戏状态和网络状态进行实时监测，从而度量用户游戏体验效果和网络质量，并且还可以提供异常检查，体验度量，网络问题定位等服务。

需要说明的是，客户端部署于终端设备上，其中，终端设备包含但不仅限于平板电脑、笔记本电脑、掌上电脑、手机以及个人电脑(personal computer，PC)，此处不做限定。

应理解，本发明通过建立基于网络流量特征的网络识别模型，能够实时识别游戏的开局状态、结束状态、对局中状态、异常中断状态以及挂后台状态等，并能识别网络波动引起的网络流量波动以及收发数据包的波动，在对局中状态下，客户端实时进行网络诊断并进行重传等优化策略。为了便于理解，请参阅图2，图2为本发明实施例中识别交互网络状态信息的一个示意图，如图所示，采用10秒钟的滑动窗口对交互流量数据进行采样并识别。具体地，S1所指示的时间段表示处于游戏开局状态。S2所指示的时间段表示处于游戏对局中状态。S3所指示的时间段表示正采用10秒滑动窗口进行实时检测的状态。S4所指示的时间段表示游戏过程中出现网络异常状态，比如，网络波动较大，网络中断或者出现弱网等。S5所指示的时间段表示处于游戏结束状态。

结合上述介绍，下面将对本发明中网络状态识别的方法进行介绍，请参阅图3，本发明实施例中网络状态识别的方法一个实施例包括：

101、获取待识别交互式应用所对应的目标交互流量数据；

本实施例中，客户端确定待识别交互式应用，其中，交互式应用可以是网络游戏，待识别交互式应用即为需要被检测的网络游戏，比如，“绝地求生”或者“王者荣耀”等手机游戏，当然，也可以是“英雄联盟”或者“守望先锋”等个人电脑(personal computer，PC)。客户端可以通过软件开发工具包(software development kit，SDK)获取待识别交互式应用所对应的目标交互流量数据。

SDK通常是为特定的软件包、软件框架、硬件平台和操作系统等建立应用软件时的开发工具的集合。SDK可以简单的为某个程序设计语言提供应用编程接口(ApplicationProgramming Interface，API)的一些文件，但也可能包括能与某种嵌入式系统通讯的复杂的硬件。一般的工具包括用于调试和其他用途的实用工具。SDK还经常包括示例代码、支持性的技术注解或者其他的为基本参考资料澄清疑点的支持文档。

102、根据目标交互流量数据获取目标流量特征信息，其中，目标流量特征信息为根据目标原始收发数据统计得到的，目标原始收发数据属于目标交互流量数据；

本实施例中，客户端根据目标交互流量数据提取目标原始收发数据，再对这些目标原始收发数据进行统计和计算，由此得到目标流量特征信息。其中，目标流量特征信息的维数与目标原始收发数据的处理方式有关，比如有2类目标原始收发数据，每一类目标原始收发数据采用3种不同的处理方式，由此可以得到6维的目标流量特征信息。

103、通过目标网络识别模型确定目标流量特征信息所对应的目标网络行为信息，其中，目标网络行为信息包括目标交互状态信息以及目标网络状态信息，目标交互状态信息用于表示待识别交互式应用的运行情况，目标网络状态信息用于表示运行待识别交互式应用的网络环境，目标网络识别模型为根据服务器发送的网络模型参数所生成的；

本实施例中，客户端根据待识别交互式应用获取相应的目标网络识别模型，然后将目标流量特征信息输入至该目标网络识别模型，通过该目标网络识别模型输出相应的目标网络行为信息。其中，目标网络行为信息包括了两类信息，即目标交互状态信息以及目标网络状态信息，目标交互状态信息又可以称为游戏状态信息，主要用于表示网络游戏的运行情况。而目标网络状态信息又可以称为网络环境信息，主要用于表示运行网络游戏时的网络情况。

可以理解的是，服务器会预先向客户端下发至少一组网络模型参数，每一组网络模型参数用于生成一个对应的网络识别模型。

104、根据目标网络行为信息生成网络状态识别结果。

本实施例中，客户端根据目标网络行为信息生成网络状态识别结果。即假设目标网络行为信息为“高延时下的游戏对局结束状态”，则网络状态识别结果可以为“网络状态较差”。其中，网络状态识别结果可以直接展示在客户端上，由用户选择是否进行手动调整，比如切换网络模式。也可以由客户端根据预先设定的处理策略，选择相应的网络调整方式。

可选地，在上述图3对应的实施例的基础上，本发明实施例提供网络状态识别的方法第一个可选实施例中，通过目标网络识别模型确定目标流量特征信息所对应的目标网络行为信息之前，还可以包括：

判断待识别交互式应用是否属于预设交互式应用；

若待识别交互式应用属于预设交互式应用，则从网络识别模型集合中获取目标网络识别模型，其中，网络识别模型集合中包含至少一种网络识别模型。

本实施例中，判断待识别交互式应用是否属于预设交互式应用的这个步骤，还可以在获取待识别交互式应用所对应的目标交互流量数据之后进行。

待识别交互式应用可以分为两种情况，第一种情况为待识别交互式应用是已经被客户端所记录的，比如客户端提前存储有“王者荣耀”以及“绝地求生”所对应的网络识别模型。第二种情况为待识别交互式应用还未被客户端所记录，比如新推出的一款A游戏，这种情况下，客户端就需要根据A游戏来确定需要采用哪一种网络识别模型。

下面先以第一种情况为例进行介绍。具体地，在客户端通过目标网络识别模型确定目标流量特征信息所对应的目标网络行为信息之前，首先需要判断待识别交互式应用是否属于预设交互式应用，其中，判断方式可以是，提取待识别交互式应用的标识，将该标识与预设交互式应用的标识进行匹配，匹配成功，则确认待识别交互式应用属于预设交互式应用，匹配失败，则确认待识别交互式应用不属于预设交互式应用。在待识别交互式应用属于预设交互式应用的情况下，客户端从网络识别模型集合中获取对应的目标网络识别模型，其中，网络识别模型集合中包含至少一种网络识别模型。

为了便于理解，请参阅图4，图4为本发明实施例中完整交互流量数据的一个实施例示意图，如图所示，以“王者荣耀”为例，整体游戏过程分为3个阶段：

第一个阶段为A1所指示的游戏开启阶段，检查更新游戏，并且下载游戏的文件资源，图片资源，进行页面加载等，此时，流量类型主要是传输控制协议(TransmissionControl Protocol，TCP)数据流，对速率和带宽要求较高。

第二个阶段为A2所指示的游戏对局阶段，玩家进入游戏匹配流程，然后选择英雄角色，加载游戏等，此时，流量类型主要是用户数据报协议(User Datagram Protocol，UDP)数据流为主，对延时要求较高。

第三个阶段为A3所指示的游戏结束阶段，对局完成之后进行结算，并且需要上报用户状态信息(比如对局的排行榜)，此时，流量类型可以同时包括TCP数据流和UDP数据流。可以理解的是，影响玩家体验主要为游戏对局阶段，即A2指示的第二个阶段，UDP帧同步对网络时延要求高，因此，着重分析该阶段UDP流特征，可以进一步分析游戏对局数据，请参阅图5，图5为本发明实施例中部分交互流量数据的一个实施例示意图，如图所示，这部分是数据是本发明重点应用的数据。对局游戏过程分为3个阶段：

第一个阶段为B1所指示的游戏对局开启阶段，此阶段以UDP数据流为主，玩家在该阶段主要进行角色选择，游戏匹配以及地图加载，这个时候有连续的高频上下行UDP数据包。

第二个阶段为B2所指示的游戏对局开启阶段，此阶段以UDP数据流为主，在网络环境稳定条件下，上下行发包间隔和包大小范围较为固定，包流量也比较平稳。

第三个阶段为B3所指示的游戏对局开启阶段，此阶段可以同时采用UDP数据流以及TCP数据流，以此进行对局结算，以及用户状态信息的上报等。由于对局数据的数据量往往比较大，因此，连续上下行的UDP数据包也承载较大的数据。

其次，本发明实施例中，客户端可以针对已知网络游戏，主动选择一个合适的网络模型，即客户端通过目标网络识别模型确定目标流量特征信息所对应的目标网络行为信息之前，还可以判断待识别交互式应用是否属于预设交互式应用，若待识别交互式应用属于预设交互式应用，则客户端直接从网络识别模型集合中获取目标网络识别模型，通过上述方式，客户端无需重新识别网络游戏需要采用哪种网络识别模型来识别，而是直接根据网络游戏和网络识别模型之间的预设映射关系，找出相应的目标网络识别模型，从而提升识别的效率，并且节省了计算成本。

可选地，在上述图3对应的实施例的基础上，本发明实施例提供网络状态识别的方法第二个可选实施例中，通过目标网络识别模型确定目标流量特征信息所对应的目标网络行为信息之前，还可以包括：

判断待识别交互式应用是否属于预设交互式应用；

若待识别交互式应用不属于预设交互式应用，则根据目标交互流量数据确定待识别交互式应用的业务类型；

根据待识别交互式应用的业务类型，从网络识别模型集合中获取目标网络识别模型，其中，网络识别模型集合中包含至少一种网络识别模型。

本实施例中，待识别交互式应用可以分为两种情况，上述实施例已经介绍了第一种情况，下面将继续介绍第二种情况的处理方式。

具体地，在客户端通过目标网络识别模型确定目标流量特征信息所对应的目标网络行为信息之前，首先需要判断待识别交互式应用是否属于预设交互式应用，其中，判断方式可以是，提取待识别交互式应用的标识，将该标识与预设交互式应用的标识进行匹配，匹配成功，则确认待识别交互式应用属于预设交互式应用，匹配失败，则确认待识别交互式应用不属于预设交互式应用。在待识别交互式应用不属于预设交互式应用的情况下，客户端需要根据目标交互流量数据确定待识别交互式应用的业务类型，最后根据待识别交互式应用的业务类型，从网络识别模型集合中获取目标网络识别模型，其中，网络识别模型集合中包含至少一种网络识别模型。

可以理解的是，每种网络识别模型可以对应通一个类型的业务，具有较好的普及性。

其次，本发明实施例中，客户端可以针对未知网络游戏，主动选择一个合适的网络模型，即若待识别交互式应用不属于预设交互式应用，则客户端根据目标交互流量数据确定待识别交互式应用的业务类型，然后客户端根据待识别交互式应用的业务类型，从网络识别模型集合中获取目标网络识别模型。通过上述方式，客户端对未知的网络游戏也可以进行网络识别模型的选择，即基于不同的业务类型来选择相应的模型即可，由此，提升方案的灵活性，无需对所有的网络游戏都进行模型训练，而是通过业务类型来确定该类型适用的模型，从而提升方案的实用性。

可选地，在上述图3对应的第二个实施例的基础上，本发明实施例提供网络状态识别的方法第三个可选实施例中，根据目标交互流量数据确定待识别交互式应用的业务类型，可以包括：

根据目标交互流量数据获取数据包的字节数；

采用预设概率密度函数对数据包的字节数进行匹配，得到匹配相似度；

根据匹配相似度确定待识别交互式应用的业务类型。

本实施例中，针对不同业务类型的待识别交互式应用，客户端需要获取该目标交互流量数据获取的数据包字节数，具体地，可以提取对局中的数据包字节数，然后根据数据包字节数生成概率密度函数(probability density function，PDF)，将该PDF与预设PDF进行匹配，假设PDF与预设PDF 1的匹配相似度最高，则说明该待识别交互式应用属于第一种业务类型，从而选择第一业务类型所对应的网络识别模型。假设PDF与预设PDF 2的匹配相似度最高，则说明该待识别交互式应用属于第二种业务类型，从而选择第二业务类型所对应的网络识别模型。

再次，本发明实施例中，客户端根据目标交互流量数据确定待识别交互式应用的业务类型的方式为，客户端先根据目标交互流量数据获取数据包的字节数，然后采用预设概率密度函数对数据包的字节数进行匹配，得到匹配相似度，最后客户端根据匹配相似度确定待识别交互式应用的业务类型。通过上述方式，客户端能够准确地找出与未知的网络游戏最为匹配的网络识别模型，由此提升网络识别的可靠性和准确度。

可选地，在上述图3对应的第二个实施例的基础上，本发明实施例提供网络状态识别的方法第四个可选实施例中，采用预设概率密度函数对数据包的字节数进行匹配，得到匹配相似度，可以包括：

采用第一概率密度函数对数据包的字节数进行匹配，得到第一匹配相似度，其中，第一概率密度函数为根据第一估计参数以及第二估计参数生成的；

采用第二概率密度函数对数据包的字节数进行匹配，得到第二匹配相似度，其中，第二概率密度函数为根据第三估计参数以及第四估计参数生成的；

根据匹配相似度确定待识别交互式应用的业务类型，包括：

若第一匹配相似大于第二匹配相似度，则确定待识别交互式应用为第一业务类型；

若第一匹配相似小于第二匹配相似度，则确定待识别交互式应用为第二业务类型。

本实施例中，下面将具体介绍如何确定待识别交互式应用的业务类型。目前，可以通过网络封包分析软件(wireshark)抓包分析游戏对局上下行包间隔，包大小等详细特征。客户端在获取到数据包的字节数之后，可以根据数据包的字节数生成一段连续的曲线，这个曲线需要与预先设定的函数进行匹配。

具体地，请参阅图6，图6为本发明实施例中基于第一业务类型的交互式应用的下行数据包分布示意图,，如图所示，第一业务类型的交互式应用的下行UDP数据包服从最大极值分布。请参阅表1，表1为第一业务类型交互式应用的估计参数一个示意。

表1

第一PDF对应于第一估计参数和第二估计参数，其中，第一估计参数为a值，第二估计参数为b值。以针对对局中的数据包进行匹配为例，对于下行估计参数而言，第一估计参数a＝210，第二估计参数b＝35，从而得到第一PDF，即

或，

将数据包的字节数曲线与第一PDF进行匹配，得到第一匹配相似度。类似地，请参阅图7a，图7a为本发明实施例中基于第二业务类型的交互式应用的上行数据包分布示意图，如图所示，第二业务类型的交互式应用的上行UDP数据包服从最大极值分布。请参阅图7b，图7b为本发明实施例中基于第，二业务类型的交互式应用的下行数据包分布示意图，如图所示，第二业务类型的交互式应用的下行UDP数据包服从最大极值分布。请参阅表2，表2为第二业务类型交互式应用的估计参数一个示意。

表2

第二PDF对应于第二估计参数和第二估计参数，其中，第三估计参数为a值，第四估计参数为b值。以针对对局中的数据包进行匹配为例，对于下行估计参数而言，第三估计参数a＝50，第四估计参数b＝11，从而得到第二PDF，即

或，

将数据包的字节数曲线与第二PDF进行匹配，得到第二匹配相似度。若第一匹配相似大于第二匹配相似度，则确定待识别交互式应用为第一业务类型，反之，若第一匹配相似小于第二匹配相似度，则确定待识别交互式应用为第二业务类型。

可以理解的是，a值和b值为同一种网络识别模型的模型参数，为了便于管理以及模型泛化，可以采用一套模型兼容更多游戏。大量业务都进行了流量分析和参数估计，得到PDF、a值和b值，然后按照PDF、a值和b值，把大量游戏分为几种业务类型。

进一步地，本发明实施例中，客户端采用预设PDF对数据包的字节数进行匹配，得到匹配相似度，然后根据匹配相似度的大小来确定网络游戏的业务类型，由具体的业务类型来选择所采用的网络识别模型。通过上述方式，在对未知的网络游戏进行识别之前，可以该网络游戏与预先定义的PDF进行匹配，不同的业务类型对应着不同的PDF，由此，可以确定该网络游戏所属业务类型，从而选择更为贴近的网络识别模型进行识别，进而提升了方案的可靠性和可行性。

可选地，在上述图3以及图3对应的第一个至第四个实施例中任一项的基础上，本发明实施例提供网络状态识别的方法第五个可选实施例中，根据目标网络状态信息生成网络状态识别结果之后，还可以包括：

按照网络状态与网络控制策略之间的对应关系，获取网络状态识别结果所对应的目标网络控制策略；

采用目标网络控制策略对网络状态进行调整。

本实施例中，将介绍一种客户端根据网络状态识别结果自动优化网络的方式。具体地，请参阅图8，图8为本发明实施例中客户端主动对网络状态进行调整的一个流程示意图，如图所示，具体地：

步骤201中，服务器向客户端下发已经训练好的至少一组网络模型参数，其中，每组网络模型参数用于生成一个相应的网络识别模型；

步骤202中，客户端将实时采集待识别交互式应用的目标交互流量数据，其中，该目标交互流量数据是以秒级序列采集的；

步骤203与步骤204中，客户端将目标交互流量数据输入至目标网络识别模型中，由该目标网络识别模型输出相应的交互状态信息以及网络状态信息；

步骤205中，采用激活函数对交互状态信息以及网络状态信息进行矩阵计算，负责将神经元的输入映射到输出端，从而得到目标网络行为信息，并由目标网络行为信息生成网络状态识别结果；

步骤206中，客户端按照网络状态与网络控制策略之间的对应关系，确定网络状态识别结果所对应的目标网络控制策略，其中，网络状态与网络控制策略之间的对应关系是预先设置好的，比如，对于游戏过程中出现延时或高抖动的情况，可以采用动态补包的网络控制策略。对于游戏开局出现wifi信号较差的情况，可以采用网络切换的网络控制策略。对于游戏结束出现延时的情况，可以采用数据包双发的网络控制策略；

步骤207中，若检测到当前的wifi信号较差，则客户端采用网络切换的目标网络控制策略对网络状态进行调整；

步骤208中，若检测到游戏过程中出现高延时，则客户端采用动态补包的目标网络控制策略对网络状态进行调整。

更进一步地，本发明实施例中，客户端在根据目标网络状态信息生成网络状态识别结果之后，还可以按照网络状态与网络控制策略之间的对应关系，获取网络状态识别结果所对应的目标网络控制策略，最终采用目标网络控制策略对网络状态进行调整。通过上述方式，客户端被赋予实时感知网络游戏运行状态的功能，并且能够识别网络波动情况，基于不同状态在游戏对局中实时进行网络诊断，并主动采用网络优化策略，从而提升了方案的实用性，无需用户手动调整网络状态，由此，增强了方案的便利性。

下面将对本发明中模型训练的方法进行介绍，请参阅图9，本发明实施例中模型训练的方法一个实施例包括：

301、获取交互流量数据，其中，交互流量数据表示交互式应用在至少一种网络环境下所对应的流量数据；

本实施例中，服务器接收客户端上报的交互流量数据，其中，交互流量数据可以是由客户端通过SDK获取的，且交互流量数据中可以包括至少一类交互式应用的数据，该交互式应用具体可以为网络游戏。为了便于介绍，将以接收到同一类交互式应用的数据为例进行介绍，比如，接收到“绝地求生”的交互流量数据或者“王者荣耀”的交互流量数据。

服务器可以从时间维度上分析网络游戏的交互过程。具体过程包括，服务器对客户端上报的交互流量数据进行切片处理、聚合处理以及清洗处理等操作。其中，切片处理表示对交互流量数据进行切片，比如每10秒的数据为一个切片。聚合处理表示将切片后的同类数据整合到一起，比如，原本交互流量数据中包括了正常状态下的数据以及异常状态下的数据，经过聚合处理之后，切片得到正常状态下的数据聚集在一起，而切片得到异常状态下的数据聚合在一起。清洗处理表示对异常的数据进行过滤，比如，有些数据跳动非常大，可以认为是异常数据，不适于进行模型训练。而服务器会对符合训练条件的数据进行统计分析，模型建立以及模型优化等操作。

302、根据交互流量数据获取流量特征信息，其中，流量特征信息为根据原始收发数据统计得到的，原始收发数据属于交互流量数据；

本实施例中，服务器根据交互流量数据提取原始收发数据，再对这些原始收发数据进行统计和计算，由此得到流量特征信息。其中，流量特征信息的维数与原始收发数据的处理方式有关，比如有2类原始收发数据，每一类原始收发数据采用3种不同的处理方式，由此可以得到6维的流量特征信息。

303、根据交互流量数据获取交互网络状态信息，其中，交互网络状态信息包括交互状态信息以及网络状态信息，交互状态信息用于表示交互式应用的运行情况，网络状态信息用于表示运行交互式应用的网络环境；

本实施例中，服务器根据交互流量数据分析得到交互网络状态信息，其中，交互网络状态信息包括了两类信息，即交互状态信息以及网络状态信息，交互状态信息又可以称为游戏状态信息，主要用于表示网络游戏的运行情况。而网络状态信息又可以称为网络环境信息，主要用于表示运行网络游戏时的网络情况。

需要说明的是，步骤303可以在步骤302之前实现，也可以在步骤302之后实现，此处不做限定。

304、对流量特征信息与交互网络状态信息进行训练，得到网络模型参数；

本实施例中，服务器将流量特征信息和交互网络状态信息输入至待训练神经网络模型，通过待训练神经网络模型对这些信息进行学习和训练，从而得到网络模型参数。需要说明的是，这里是以生成一个目标网络识别模型所对应的网络模型参数为例进行介绍的，在实际应用中，服务器还可以训练多个不同的网络识别模型，可以理解的是，每种网络识别模型也具有对应的网络模型参数。

305、向客户端发送网络模型参数，以使客户端根据网络模型参数生成目标网络识别模型，其中，目标网络识别模型用于检测至少一种交互式应用所对应的目标网络行为信息。

本实施例中，服务器向客户端发送生成的网络模型参数，客户端可以根据接收到的网络模型参数，生成相应的目标网络识别模型，该目标网络识别模型可以用于识别至少一种网络游戏的交互状态信息以及网络状态信息。当然，这至少一种网络游戏通常是指同一类网络游戏。而客户端也可以根据服务器下发的不同网络模参数，分别生成不同的网络识别模型，这里的目标网络识别模型即为其中的一个网络识别模型。

本发明实施例中，提供了一种模型训练的方法，首先服务器获取交互流量数据，然后根据交互流量数据获取流量特征信息，此外，服务器还需要根据交互流量数据获取交互网络状态信息，根据交互流量数据获取交互网络状态信息，然后服务器对流量特征信息与交互网络状态信息进行训练，得到网络模型参数，由此向客户端发送网络模型参数，以使客户端根据网络模型参数生成目标网络识别模型。通过上述方式，设计了一种结合交互网络状态信息训练得到的模型，交互网络状态信息包括交互状态信息以及网络状态信息，由此，训练得到的网络识别模型能够通过交互流量数据，感知玩家与游戏交互过程中的各种状态，从而提升检测的准确度，可针对不同状态进行网络优化。

可选地，在上述图9对应的实施例的基础上，本发明实施例提供模型训练的方法第一个可选实施例中，根据交互流量数据获取流量特征信息，可以包括：

根据交互流量数据获取原始收发数据，其中，原始收发数据包括预设时间内的数据包发送个数、预设时间内的数据包接收个数、预设时间内的发送字节数、预设时间内的接收字节数、预设时间内的无线保真wifi数据包发送个数、预设时间内的wifi数据包接收个数、预设时间内的wifi接收字节数以及预设时间内的wifi发送字节数中的至少一项；

对原始收发数据进行统计处理，得到流量特征信息，其中，统计处理包括方差计算处理、标准差计算处理、均值计算处理、最大值计算处理、最小值计算处理以及序列长度处理中的至少一种。

本实施例中，通过对交互流量数据的分析可以得到原始收发数据，这里的原始收发数据是指不同游戏交互状态下对应的数据包分布情况、频率以及字节数等，对原始收发数据进行统计处理之后，可以得到流量特征信息。

其中，原始收发数据具体可以包括每秒发包数、每秒收包数、每秒发送字节数、每秒发送字节数、无线保真(wireless-fidelity，wifi)每秒发包数、wifi每秒收包数、wifi每秒发送字节数以及wifi每秒发送字节数等，请参阅表3，表3为原始收发数据采集方式的的一个示意。

表3

基于表3所示的原始收发数据，还可以对原始收发数据进行如下处理，以每秒发包数(udp_send_pcks)为例进行介绍，假设每秒发包数为20,30,60,32,0,2,1，采用均值计算处理可以得到：

X＝(20+30+60+32+0+2+1)/7＝20.71429

采用方差计算处理可以得到：

S²＝[(20-20.71429)+(30-20.71429)+(60-20.71429)+(32-20.71429)+(0-20.71429)+(2-20.71429)+(1-20.71429)]/7＝417.91837

采用标准差计算处理可以得到：

S＝20.44305

采用最大值计算处理可以得到：

MAX＝{20,30,60,32,0,2,1}＝60

采用最小值计算处理可以得到：

MIN＝{20,30,60,32,0,2,1}＝0

采用序列长度处理可以得到：

L＝{20,30,60,32,0,2,1}＝7

可以理解的是，本发明中的8维原始收发数据均可以采用如下的处理方式，经过上述处理，将原始的8维特征数据处理为48维的特征空间，可以理解的是，若采用5种处理方式，即得到40维的特征空间，若采用4种处理方式，即得到32维的特征空间，以此类推，此处不做赘述。特征空间具体为流量特征信息。

可选地，可以采用10秒的时间窗口从交互流量数据中提取原始收发数据，对每个时间窗口下的数据进行判断，若该时间窗口下的数据不满足条件，则提出该样本数据。可以理解的是，判断条件可以是，10秒内的原始收发数据的平均值是否满足预设平均值，或，10秒内的原始收发数据的方差是否满足预设方差，或，10秒内接收到的数据包个数是否超过对局中的预设个数，在实际应用中，可以根据情况进行灵活调整，此处不做限定。

为了便于介绍，下面将通过四个附图对每秒发包数、每秒收包数、每秒发送字节数和每秒发送字节数的采样过程进行介绍。请参阅图10，图10为本发明实施例中预设时间内数据包发送个数的一个采样示意图，如图所示，S1所指示的是按照时间窗口为10秒进行采样得到的数据包发送个数。请参阅图11，图11为本发明实施例中预设时间内数据包接收个数的一个采样示意图，如图所示，S2所指示的是按照时间窗口为10秒进行采样得到的数据包接收个数。请参阅图12，图12为本发明实施例中预设时间内发送字节数的一个采样示意图，如图所示，S3所指示的是按照时间窗口为10秒进行采样得到的发送字节数。请参阅图13，图13为本发明实施例中预设时间内接收字节数的一个采样示意图，如图所示，S4所指示的是按照时间窗口为10秒进行采样得到的接收字节数。

通常情况下，以时间窗口为10秒进行密集型数据标记可以丰富样本量，从而供模型在细粒度条件下强化学习不同游戏状态的网络流量特征。

其次，本发明实施例中，介绍了根据原始收发数据获取流量特征信息的方式，其中，原始收发数据包括预设时间内的数据包发送个数、预设时间内的数据包接收个数、预设时间内的发送字节数、预设时间内的接收字节数、预设时间内的wifi数据包发送个数、预设时间内的wifi数据包接收个数、预设时间内的wifi接收字节数以及预设时间内的wifi发送字节数中的至少一项，然后对原始收发数据进行统计处理，得到流量特征信息。通过上述方式，可以将原始的特征处理为更多维度的特征，更多维度的特征能够较为准确描述的网络流量侧的数理统计规律，从而提升方案的实用性和可操作性。

可选地，在上述图9对应的实施例的基础上，本发明实施例提供模型训练的方法第二个可选实施例中，根据交互流量数据获取交互网络状态信息，可以包括：

按照预设时间窗口对交互流量数据进行处理，得到N个样本数据，其中，N为大于或等于1的整数；

根据预先配置的网络环境参数，确定N个样本数据中每个样本数据所对应的网络状态信息；

根据N个样本数据中每个样本数据所对应的网络状态信息，确定N个样本数据中每个样本数据所对应的交互状态信息；

根据每个样本数据所对应的交互状态信息，以及每个样本数据所对应的网络状态信息，生成交互网络状态信息。

本实施例中，服务器可以按照预设时间窗口对交互流量数据进行处理，得到N个样本数据，假设交互流量数据总共有1200秒，预设时间窗口为10秒，那么可以得到120个样本数据。服务器获取预先配置的网络环境参数，比如，wifi低于-75分贝毫瓦(dbm)。根据网络参数可以确定每个样本数据的网络状态信息，比如，wifi低于-75dbm网络状态信息表示为“弱信号”。基于每个样本数据的网络状态信息，获取每个样本数据在该网络状态信息下的交互状态信息，其中，交互状态信息具体表示为网络游戏的游戏交互情况。

为了便于介绍，下面将结合表4和表5对交互网络状态信息进行介绍，请参阅表4，表4为网络环境参数、网络状态信息与模拟场景之间的一个示意。

表4

网络环境参数	网络状态信息	模拟场景
			低于-75dbm	弱信号	4G与wifi的弱信号环境
高于200毫秒	高延时	大于200毫秒的网络环境
			标准差大于2％	高抖动	高抖动，网络跳变
网络标识切换	4G与wifi切换	4G与wifi相互切换状态

基于表4的网络状态信息采集相应的交互状态信息，请参阅表5，表5为针对于不同网络交互状态以及网络波动抽离得到的类别标记。

表5

游戏状态	交互状态信息
		1	游戏对局开始
2	游戏对局中
		3	游戏对局结束
4	游戏异常中断
		5	游戏网络卡顿跳变

经过上述游戏状态的标记处理后，通过自动化的游戏测试工具进行大量对局，并针对性地模拟弱信号，高延时，高抖动以及4G-WIFI网络制式切换等，生成大量的交互网络状态信息供模型训练使用。交互网络状态信息同时包括网络状态信息与交互状态信息。

其次，本发明实施例中，介绍了获取交互网络状态信息的方式，即服务器先按照预设时间窗口对交互流量数据进行处理，得到N个样本数据，然后分别确定N个样本数据中每个样本数据所对应的交互状态信息，服务器再利用预先配置的网络环境参数，确定N个样本数据中每个样本数据所对应的网络状态信息，最后根据每个样本数据所对应的交互状态信息，以及每个样本数据所对应的网络状态信息，生成交互网络状态信息。通过上述方式，采用一定大小的时间窗口对交互流量数据进行采样，并且以网络环境参数为自变量，确定相应的网络状态信息以及交互状态信息，从而生成模型训练所需的交互网络状态信息，也就是使得交互网络状态信息融合了两种信息，由此，更好地体现了交互网络状态信息的可靠性，并且提升了方案的实用性和可行性。

可选地，在上述图9以及图9对应的第一个至第二个实施例中任一项的基础上，本发明实施例提供模型训练的方法第三个可选实施例中，对流量特征信息与交互网络状态信息进行训练，得到网络模型参数，可以包括：

将流量特征信息输入至待训练神经网络模型，其中，待训练神经网络模型对应待训练网络模型参数，待训练网络模型参数包括第一偏置矩阵以及第一权重矩阵；

通过待训练神经网络模型获取流量特征信息所对应的预测交互网络状态信息；

根据预测交互网络状态信息以及交互网络状态信息，对待训练网络模型参数进行学习，得到网络模型参数，其中，网络模型参数包括第二偏置矩阵以及第二权重矩阵。

本实施例中，将介绍模型训练的具体方式。随着交互网络状态信息类别的增加，对数据的处理和标记也会愈发复杂，因此，为了能够更好地应对多种可扩展的场景，可以选择经典的三层网络结构作为待训练神经网络模型。

为了便于介绍，请参阅图14，图14为本发明实施例中神经网络模型的一个结构示意图，如图所示，具体地，三层网络结构包括输入层(input layer)、隐层(hidden layer)以及输出层(output layer)。待训练神经网络模型对应待训练网络模型参数，待训练神经网络模型可以表示为Y＝αX+β，其中，X表示输入的流量特征信息，Y表示输出的预测交互网络状态信息，α表示第一权重矩阵，β表示第一偏置矩阵。服务器可以采用损失函数计算预测的交互网络状态信息以及真实的交互网络状态信息之间的最小值，从而得到网络模型参数。网络模型参数包括第二偏置矩阵以及第二权重矩阵，此外，还可以包括特征字段的最小最大值。第二偏置矩阵的字段可以表示为mlp_intercepts，第二权重矩阵的字段可以表示为mlp_coefs，特征字段的最小最大值可以表示为min_max_dict。其中，min_max_dict有两个作用，既可以作为异常数据的检测基准，由于在模型计算中用最大值和最小值进行数据规范，使归一化值0至1之间。

假设流量特征信息包括40维特征，那么输入层对应40个单位。隐层可以设计10个单元，输出层可以设计20个单位，其中，输出层的20个单位与交互网络状态信息的类相关，包括弱信号下的游戏对局开始状态，弱信号下的游戏对局中状态，弱信号下的游戏对局结束状态，弱信号下的游戏异常中断状态，弱信号下的游戏网络卡顿跳变，高延时下的游戏对局开始状态，高延时下的游戏对局中状态，高延时下的游戏对局结束状态，高延时下的游戏异常中断状态，高延时下的游戏网络卡顿跳变状态，高抖动下的游戏对局开始状态，高抖动下的游戏对局中状态，高抖动下的游戏对局结束状态，高抖动下的游戏异常中断状态，高抖动下的游戏网络卡顿跳变状态，4G与wifi切换下的游戏对局开始状态，4G与wifi切换下的游戏对局中状态，4G与wifi切换下的游戏对局结束状态，4G与wifi切换下的游戏异常中断状态，4G与wifi切换下的游戏网络卡顿跳变状态。

在实际应用中，可以通过随机欠采样来调整数据集，即在对交互网络状态信息分析过程中，发现存在较为严重的类别不平衡，比如对局结束的样本数据很少，网络延时和卡顿的样本数据较少，大量的数据为游戏开局和对局中，因此需要对待训练数据集进行平衡处理。本发明主要采用了随机欠采样的方案对数据集进行调整，随机欠采样即从多数类中随机选择少量样本，再合并原有少数类样本作为新的训练数据集。

在完成随机欠采样之后，可以采用待训练神经网络模型进行模型训练，需要说明的是，核心参数设定可以为：

求解器(Solver)采用随机梯度下降(Stochastic Gradient Descent，SGD)；

输入层-隐层-输出层单位分别设置为40、10和5；

最大迭代次数(max_iter)设置为20；

激活函数采用修正线性单元(rectified linear unit，ReLu)激活函数。

可以理解的是，除了ReLu激活函数以外，也可以采用逻辑回归(logistic)函数。但相比于logistic而言，ReLu激活函数更加简单，且效率更高，而且是分段线性函数，可以把所有的负值都变为0，而正值不变，这种操作被成为单侧抑制，正因有了这种抑制，才使得神经网络中的神经元也具有稀疏激活性。尤其在多层神经网络中，随着隐层的增加，ReLu激活函数的激活率将降低2的n次方，因此通过ReLu激活函数可以使得稀疏后的模型能够更好地挖掘交互网络状态信息相关特征，从而更好的拟合训练数据。

可以理解的是，待训练神经网络模型可以是循环神经网络(recurrent neuralnetworks，RNN)、生成式对抗网络(generative adversarial networks，GAN)、卷积神经网络(convolutional neural networks，CNN)、深度卷积神经网络(deep convolutionalneural networks，DCNN)、深度卷积逆向图网络(deep convolutional inverse graphicsnetworks，DCIGN)、解卷积网络(deconvolutional networks，DN)、深度信念网络(deepbelief networks，DBN)、双向循环神经网络(bidirectional recurrent neuralnetworks，BiRNN)、长短期记忆网络(long short term memory，LSTM)、去噪自编码机(denoising autoencoders，DAE)、双向长短期记忆网络(bidirectional long short termmemory networks，BiLSTM)、双向门控循环单元(bidirectional gated recurrent units，BiGRU)、门循环单元(gated recurrent units，GRU)、神经图灵机(neural Turingmachines，NTM)、自编码机变分自编码机(variational autoencoders，VAE)、稀疏自编码机(sparse autoencoders，SAE)、径向神经网络(radial basis function，RBF)、前馈神经感知网络与感知机(feed forward neural networks and perceptrons，FF or FFNN)、霍普菲尔网络(hopfield network，HN)、自编码机(autoencoders，AE)、受限玻尔兹曼机(restricted Boltzmann machines，RBM)、玻尔兹曼机(boltzmann machines，BM)、马尔可夫链(markov chain，MC)、离散时间马尔可夫链(markov chain or discrete time markovchain，DTMC)、支持向量机(support vector machines，SVM)、液态机(liquid statemachines，LSM)、极限学习机(extreme learning machines，ELM)、回声状态网络(echostate networks，ESN)或者深度残差网络(deep residual networks，DRN)，此处不做限定。

其次，本发明实施例中，服务器可以将流量特征信息输入至待训练神经网络模型，通过待训练神经网络模型获取流量特征信息所对应的预测交互网络状态信息，根据预测交互网络状态信息以及交互网络状态信息，对待训练网络模型参数进行学习，得到网络模型参数，其中，网络模型参数包括第二偏置矩阵以及第二权重矩阵。通过上述方式，采用预先定义的模型对流量特征信息以及交互网络状态信息进行训练，在采用损失函数计算出真实值和预测值之间的最小距离，从而得到最优解，由此提升了模型学习的精度，以及增加了模型的可靠性。

为了便于介绍，下面将提供一组实验数据来表示通过模型训练和调优后，网络识别模型的性能情况，请参阅表6，表6为目标网络识别模型的一个性能表示示意。

表6

状态类别	识别精度	召回率	F1分数	正确数
					游戏开局	0.99	0.86	0.92	2594
游戏对局中	0.98	1.00	0.99	10417
					游戏结束	0.90	0.75	0.88	1126
平均值/总计	0.97	0.96	0.97	14137

由表6可知，以三种典型的游戏状态为例(即游戏开局、游戏对局中以及游戏结束)，采用本发明所提供的目标网络识别模型，识别精度(precision)、召回率(recall)以及F1分数的性能指标都比较高，由此可见，目标网络识别模型能较好地识别网络游戏在各个状态下的交互状态信息以及网络状态信息。

下面对本发明中的客户端进行详细描述，请参阅图15，图15为本发明实施例中客户端一个实施例示意图，客户端40包括：

获取模块401，用于获取待识别交互式应用所对应的目标交互流量数据；

所述获取模块401，还用于根据所述目标交互流量数据获取目标流量特征信息，其中，所述目标流量特征信息为根据目标原始收发数据统计得到的，所述目标原始收发数据属于所述目标交互流量数据；

确定模块402，用于通过目标网络识别模型确定所述获取模块401获取的所述目标流量特征信息所对应的目标网络行为信息，其中，所述目标网络行为信息包括目标交互状态信息以及目标网络状态信息，所述目标交互状态信息用于表示所述待识别交互式应用的运行情况，所述目标网络状态信息用于表示运行所述待识别交互式应用的网络环境，所述目标网络识别模型为根据服务器发送的网络模型参数所生成的；

生成模块403，用于根据所述确定模块402确定的所述目标网络行为信息生成网络状态识别结果。

本实施例中，获取模块401获取待识别交互式应用所对应的目标交互流量数据，所述获取模块401根据所述目标交互流量数据获取目标流量特征信息，其中，所述目标流量特征信息为根据目标原始收发数据统计得到的，所述目标原始收发数据属于所述目标交互流量数据，确定模块402通过目标网络识别模型确定所述获取模块401获取的所述目标流量特征信息所对应的目标网络行为信息，其中，所述目标网络行为信息包括目标交互状态信息以及目标网络状态信息，所述目标交互状态信息用于表示所述待识别交互式应用的运行情况，所述目标网络状态信息用于表示运行所述待识别交互式应用的网络环境，所述目标网络识别模型为根据服务器发送的网络模型参数所生成的，生成模块403根据所述确定模块402确定的所述目标网络行为信息生成网络状态识别结果。

本发明实施例中，提供了一种客户端，首先客户端获取待识别交互式应用所对应的目标交互流量数据，然后客户端可以根据目标交互流量数据获取目标流量特征信息，接下来，客户端通过目标网络识别模型确定目标流量特征信息所对应的目标网络行为信息，其中，目标网络行为信息包括目标交互状态信息以及目标网络状态信息，目标交互状态信息用于表示待识别交互式应用的运行情况，目标网络状态信息用于表示运行待识别交互式应用的网络环境，最后，客户端根据目标网络行为信息生成网络状态识别结果。通过上述方式，利用网络识别模型对游戏业务的网络状态情况进行实时监测，不但可以监测到游戏交互过程中的交互状态信息，还可以监测到网络状态信息，由此感知玩家与游戏交互过程中的各种状态，从而提升检测的准确度，可针对不同状态进行网络优化。

可选地，在上述图15所对应的实施例的基础上，请参阅图16，本发明实施例提供的客户端40的另一实施例中，所述客户端还包括判断模块404；

所述判断模块404，用于在所述确定模块402通过目标网络识别模型确定所述目标流量特征信息所对应的目标网络行为信息之前，判断所述待识别交互式应用是否属于预设交互式应用；

所述获取模块401，还用于若所述判断模块404判断得到所述待识别交互式应用属于所述预设交互式应用，则从网络识别模型集合中获取所述目标网络识别模型，其中，所述网络识别模型集合中包含至少一种网络识别模型。

所述确定模块402，还用于若所述判断模块404判断得到所述待识别交互式应用不属于所述预设交互式应用，则根据所述目标交互流量数据确定所述待识别交互式应用的业务类型；

所述获取模块401，还用于根据所述确定模块402确定的所述待识别交互式应用的业务类型，从网络识别模型集合中获取所述目标网络识别模型，其中，所述网络识别模型集合中包含至少一种网络识别模型。

可选地，在上述图16所对应的实施例的基础上，本发明实施例提供的客户端40的另一实施例中，

所述确定模块402，具体用于根据所述目标交互流量数据获取数据包的字节数；

根据匹配相似度确定所述待识别交互式应用的业务类型。

所述确定模块402，具体用于采用第一概率密度函数对所述数据包的字节数进行匹配，得到第一匹配相似度，其中，所述第一概率密度函数为根据第一估计参数以及第二估计参数生成的；

可选地，在上述图15或图16所对应的实施例的基础上，请参阅图17，本发明实施例提供的客户端40的另一实施例中，所述客户端40还包括调整模块405；

所述获取模块401，还用于在所述生成模块403根据所述目标网络行为信息生成网络状态识别结果之后，按照网络状态与网络控制策略之间的对应关系，获取所述网络状态识别结果所对应的目标网络控制策略；

所述调整模块405，用于采用所述获取模块401获取的所述目标网络控制策略对网络状态进行调整。

下面对本发明中的服务器进行详细描述，请参阅图18，图18为本发明实施例中服务器一个实施例示意图，服务器50包括：

获取模块501，用于获取交互流量数据，其中，所述交互流量数据表示交互式应用在至少一种网络环境下所对应的流量数据；

所述获取模块501，用于根据所述交互流量数据获取流量特征信息，其中，所述流量特征信息为根据原始收发数据统计得到的，所述原始收发数据属于所述交互流量数据；

所述获取模块501，还用于根据所述交互流量数据获取交互网络状态信息，其中，所述交互网络状态信息包括交互状态信息以及网络状态信息，所述交互状态信息用于表示所述交互式应用的运行情况，所述网络状态信息用于表示运行所述交互式应用的网络环境；

训练模块502，用于对所述获取模块501获取的所述流量特征信息与所述交互网络状态信息进行训练，得到网络模型参数；

发送模块503，用于向客户端发送所述训练模块502训练得到的所述网络模型参数，以使所述客户端根据所述网络模型参数生成目标网络识别模型，其中，所述目标网络识别模型用于检测至少一种交互式应用所对应的目标网络行为信息。

本实施例中，获取模块501获取交互流量数据，其中，所述交互流量数据表示交互式应用在至少一种网络环境下所对应的流量数据，所述获取模块501根据所述交互流量数据获取流量特征信息，其中，所述流量特征信息为根据原始收发数据统计得到的，所述原始收发数据属于所述交互流量数据，所述获取模块501根据所述交互流量数据获取交互网络状态信息，其中，所述交互网络状态信息包括交互状态信息以及网络状态信息，所述交互状态信息用于表示所述交互式应用的运行情况，所述网络状态信息用于表示运行所述交互式应用的网络环境，训练模块502对所述获取模块501获取的所述流量特征信息与所述交互网络状态信息进行训练，得到网络模型参数，发送模块503向客户端发送所述训练模块502训练得到的所述网络模型参数，以使所述客户端根据所述网络模型参数生成目标网络识别模型，其中，所述目标网络识别模型用于检测至少一种交互式应用所对应的目标网络行为信息。

可选地，在上述图18所对应的实施例的基础上，本发明实施例提供的服务器50的另一实施例中，

所述获取模块501，具体用于根据所述交互流量数据获取原始收发数据，其中，所述原始收发数据包括预设时间内的数据包发送个数、所述预设时间内的数据包接收个数、所述预设时间内的发送字节数、所述预设时间内的接收字节数、所述预设时间内的无线保真wifi数据包发送个数、所述预设时间内的wifi数据包接收个数、所述预设时间内的wifi接收字节数以及所述预设时间内的wifi发送字节数中的至少一项；

所述获取模块501，具体用于按照预设时间窗口对所述交互流量数据进行处理，得到N个样本数据，其中，所述N为大于或等于1的整数；

所述训练模块502，具体用于将所述流量特征信息输入至待训练神经网络模型，其中，所述待训练神经网络模型对应待训练网络模型参数，所述待训练网络模型参数包括第一偏置矩阵以及第一权重矩阵；

本发明实施例还提供了另一种终端设备，如图19所示，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该终端设备可以为包括手机、平板电脑、个人数字助理(personal digital assistant，PDA)、销售终端(point of sales，POS)、车载电脑等任意终端设备，以终端设备为手机为例：

图19示出的是与本发明实施例提供的终端设备相关的手机的部分结构的框图。参考图19，手机包括：射频(radio frequency，RF)电路610、存储器620、输入单元630、显示单元640、传感器650、音频电路660、无线保真(wireless fidelity，WiFi)模块670、处理器680、以及电源690等部件。本领域技术人员可以理解，图19中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图19对手机的各个构成部件进行具体的介绍：

RF电路610可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器680处理；另外，将设计上行的数据发送给基站。通常，RF电路610包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(low noiseamplifier，LNA)、双工器等。此外，RF电路610还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(globalsystem of mobile communication，GSM)、通用分组无线服务(general packet radioservice，GPRS)、码分多址(code division multiple access，CDMA)、宽带码分多址(wideband code division multiple access,WCDMA)、长期演进(long term evolution，LTE)、电子邮件、短消息服务(short messaging service，SMS)等。

存储器620可用于存储软件程序以及模块，处理器680通过运行存储在存储器620的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器620可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

输入单元630可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元630可包括触控面板631以及其他输入设备632。触控面板631，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板631上或在触控面板631附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板631可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器680，并能接收处理器680发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板631。除了触控面板631，输入单元630还可以包括其他输入设备632。具体地，其他输入设备632可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元640可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元640可包括显示面板641，可选的，可以采用液晶显示器(liquid crystaldisplay，LCD)、有机发光二极管(organic light-emitting diode，OLED)等形式来配置显示面板641。进一步的，触控面板631可覆盖显示面板641，当触控面板631检测到在其上或附近的触摸操作后，传送给处理器680以确定触摸事件的类型，随后处理器680根据触摸事件的类型在显示面板641上提供相应的视觉输出。虽然在图19中，触控面板631与显示面板641是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板631与显示面板641集成而实现手机的输入和输出功能。

手机还可包括至少一种传感器650，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板641的亮度，接近传感器可在手机移动到耳边时，关闭显示面板641和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路660、扬声器661，传声器662可提供用户与手机之间的音频接口。音频电路660可将接收到的音频数据转换后的电信号，传输到扬声器661，由扬声器661转换为声音信号输出；另一方面，传声器662将收集的声音信号转换为电信号，由音频电路660接收后转换为音频数据，再将音频数据输出处理器680处理后，经RF电路610以发送给比如另一手机，或者将音频数据输出至存储器620以便进一步处理。

WiFi属于短距离无线传输技术，手机通过WiFi模块670可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图19示出了WiFi模块670，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器680是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器620内的软件程序和/或模块，以及调用存储在存储器620内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器680可包括一个或多个处理单元；可选的，处理器680可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器680中。

手机还包括给各个部件供电的电源690(比如电池)，可选的，电源可以通过电源管理系统与处理器680逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。

在本发明实施例中，该终端设备所包括的处理器680还具有以下功能：

获取待识别交互式应用所对应的目标交互流量数据；

根据所述目标网络行为信息生成网络状态识别结果。

可选地，该终端设备所包括的处理器680还用于执行如下功能：

判断所述待识别交互式应用是否属于预设交互式应用；

若所述待识别交互式应用属于所述预设交互式应用，则从网络识别模型集合中获取所述目标网络识别模型，其中，所述网络识别模型集合中包含至少一种网络识别模型。

判断所述待识别交互式应用是否属于预设交互式应用；

若所述待识别交互式应用不属于所述预设交互式应用，则根据所述目标交互流量数据确定所述待识别交互式应用的业务类型；

根据所述待识别交互式应用的业务类型，从网络识别模型集合中获取所述目标网络识别模型，其中，所述网络识别模型集合中包含至少一种网络识别模型。

可选地，该终端设备所包括的处理器680具体用于执行如下功能：

根据所述目标交互流量数据获取数据包的字节数；

根据匹配相似度确定所述待识别交互式应用的业务类型。

采用第一概率密度函数对所述数据包的字节数进行匹配，得到第一匹配相似度，其中，所述第一概率密度函数为根据第一估计参数以及第二估计参数生成的；

按照网络状态与网络控制策略之间的对应关系，获取所述网络状态识别结果所对应的目标网络控制策略；

采用所述目标网络控制策略对网络状态进行调整。

图20是本发明实施例提供的一种服务器结构示意图，该服务器700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processingunits，CPU)722(例如，一个或一个以上处理器)和存储器732，一个或一个以上存储应用程序742或数据744的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器732和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器722可以设置为与存储介质730通信，在服务器700上执行存储介质730中的一系列指令操作。

服务器700还可以包括一个或一个以上电源726，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口758，和/或，一个或一个以上操作系统741，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

上述实施例中由服务器所执行的步骤可以基于该图20所示的服务器结构。

在本发明实施例中，该服务器所包括的CPU 722还具有以下功能：

可选地，该服务器所包括的CPU 722具体用于执行如下功能：

根据所述交互流量数据获取原始收发数据，其中，所述原始收发数据包括预设时间内的数据包发送个数、所述预设时间内的数据包接收个数、所述预设时间内的发送字节数、所述预设时间内的接收字节数、所述预设时间内的无线保真wifi数据包发送个数、所述预设时间内的wifi数据包接收个数、所述预设时间内的wifi接收字节数以及所述预设时间内的wifi发送字节数中的至少一项；

可选地，该服务器所包括的CPU 722具体用于执行如下功能：

按照预设时间窗口对所述交互流量数据进行处理，得到N个样本数据，其中，所述N为大于或等于1的整数；

可选地，该服务器所包括的CPU 722具体用于执行如下功能：

将所述流量特征信息输入至待训练神经网络模型，其中，所述待训练神经网络模型对应待训练网络模型参数，所述待训练网络模型参数包括第一偏置矩阵以及第一权重矩阵；

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种网络状态识别的方法，其特征在于，包括：

获取待识别交互式应用所对应的目标交互流量数据；

根据所述目标网络行为信息生成网络状态识别结果。

2.根据权利要求1所述的方法，其特征在于，所述通过目标网络识别模型确定所述目标流量特征信息所对应的目标网络行为信息之前，所述方法还包括：

判断所述待识别交互式应用是否属于预设交互式应用；

3.根据权利要求1所述的方法，其特征在于，所述通过目标网络识别模型确定所述目标流量特征信息所对应的目标网络行为信息之前，所述方法还包括：

判断所述待识别交互式应用是否属于预设交互式应用；

4.根据权利要求3所述的方法，其特征在于，所述根据所述目标交互流量数据确定所述待识别交互式应用的业务类型，包括：

根据所述目标交互流量数据获取数据包的字节数；

根据匹配相似度确定所述待识别交互式应用的业务类型。

5.根据权利要求4所述的方法，其特征在于，所述采用预设概率密度函数对所述数据包的字节数进行匹配，得到匹配相似度，包括：

所述根据匹配相似度确定所述待识别交互式应用的业务类型，包括：

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述根据所述目标网络行为信息生成网络状态识别结果之后，所述方法还包括：

采用所述目标网络控制策略对网络状态进行调整。

7.一种模型训练的方法，其特征在于，包括：

8.根据权利要求7所述的方法，其特征在于，所述根据所述交互流量数据获取流量特征信息，包括：

9.根据权利要求7所述的方法，其特征在于，所述根据所述交互流量数据获取交互网络状态信息，包括：

10.根据权利要求7至9中任一项所述的方法，其特征在于，所述对所述流量特征信息与所述交互网络状态信息进行训练，得到网络模型参数，包括：

11.一种客户端，其特征在于，包括：

12.一种服务器，其特征在于，包括：

13.一种终端设备，其特征在于，包括：存储器、收发器、处理器以及总线系统；

其中，所述存储器用于存储程序；

所述处理器用于执行所述存储器中的程序，包括如下步骤：

获取待识别交互式应用所对应的目标交互流量数据；

根据所述目标网络行为信息生成网络状态识别结果；

所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。

14.一种服务器，其特征在于，包括：存储器、收发器、处理器以及总线系统；

其中，所述存储器用于存储程序；

所述处理器用于执行所述存储器中的程序，包括如下步骤：

向客户端发送所述网络模型参数，以使所述客户端根据所述网络模型参数生成目标网络识别模型，其中，所述目标网络识别模型用于检测至少一种交互式应用所对应的目标网络行为信息；

15.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至6中任一项所述的方法，或执行如权利要求7至10中任一项所述的方法。