CN110009016B - 特征提取方法及装置 - Google Patents

Abstract

本申请实施例提供了一种特征提取方法及装置，涉及网络技术领域，其中，上述方法包括：获取目标时刻的样本流量集，所述样本流量集为：在所述目标时刻之前的连续预设数量个时刻所对应的网络流量值的集合，所述连续预设数量个时刻两两时间间隔相同；根据所述样本流量集中每一网络流量值的大小确定每一像素点的像素值，生成与所述样本流量集对应的网络流量图像；从所述网络流量图像中，提取表征所述网络流量图像中各像素点的像素值分布特征，所述像素值分布特征用于表示所述目标时刻的样本流量集的特征。应用本申请实施例提供的方案提取各个时刻网络流量的特征时，能够丰富所提取特征的层次，提高了所提取特征表征各个时刻网络流量的准确性、全面性。

Description

特征提取方法及装置

技术领域

本申请涉及网络技术领域，特别是涉及一种特征提取方法及装置。

背景技术

网络流量值是一种按照时间顺序排列的、随时间变化且相互关联的数据序列。也就是，网络流量值是一种时间序列数据。因此，通过对网络流量值进行数据分析，可以获取网络流量值中蕴含的与时间相关的有用信息，从而实现针对网络流量的趋势预测。这对网络流量监控具有重要意义。

在针对网络流量进行趋势预测时，一般需要获得多个时刻网络流量的特征，例如，当前时刻网络流量的特征、当前时刻之前每间隔预设时长的各个时刻网络流量的特征等等。然后，根据所获得的特征针对网络流量进行趋势预测。

现有技术中，针对上述各个时刻获得网络流量的特征时，一般是直接对该时刻之前各时刻的网络流量值进行统计得到该时刻网络流量的特征。虽然这种方式能够获得各个时刻网络流量的特征，但是所获得的特征层次单一，难以准确、全面的表征各个时刻的网络流量。

发明内容

有鉴于此，本申请提供了一种特征提取方法及装置，以丰富所提取特征的层次，提高所提取特征表征各个时刻网络流量的准确性、全面性。具体技术方案如下：

第一方面，本申请提供了一种特征提取方法，所述方法应用于网络设备，所述方法包括：

获取目标时刻的样本流量集，所述样本流量集为：在所述目标时刻之前的连续预设数量个时刻所对应的网络流量值的集合，所述连续预设数量个时刻两两时间间隔相同；

根据所述样本流量集中每一网络流量值的大小确定每一像素点的像素值，生成与所述样本流量集对应的网络流量图像；

从所述网络流量图像中，提取表征所述网络流量图像中各像素点的像素值分布特征，所述像素值分布特征用于表示所述目标时刻的样本流量集的特征。

结合第一方面，在第一种可能的实现方式中，所述根据所述样本流量集中每一网络流量值的大小确定每一像素点的像素值，生成与所述样本流量集对应的网络流量图像，包括：

按照下述关系式，将所述样本流量集中每一网络流量值转换为二维数组中的一个元素；

A_ij＝Xt_m

i＝(t₁-t_m)/T

j＝(t₁-t_m)％T

T＝N*Δt

其中，A_ij表示所述二维数组中第i行第j列的元素，t_m表示所述预设数量个时刻中位于所述目标时刻之前的第m个时刻，t₁表示所述预设数量个时刻中位于所述目标时刻之前的第一个时刻，Xt_m表示t_m时刻的网络流量值，T表示预设的时间周期，N为大于1的正整数，Δt表示所述预设数量个时刻中相邻两时刻之间的时间间隔；

对所述二维数组中各个元素的取值进行调整处理，得到调整后的二维数组，所述调整后的二维数组中各个元素的取值满足像素值的取值范围；

将所述调整后的二维数组中各个元素的取值作为像素点的像素值，得到所述网络流量图像。

结合第一方面，在第二种可能的实现方式中，所述网络设备为分布式计算架构中的一个工作节点；其中，所述分布式架构中每一工作节点用于提取不同时刻所对应的网络流量的特征；

所述获取目标时刻的样本流量集，包括：

从所述分布式计算架构的其他工作节点存储的网络流量值中，拉取目标时刻的样本流量集包括的网络流量值。

结合第二种可能的实现方式，在第三种可能的实现方式中，所述获取目标时刻的样本流量集之前，所述方法还包括：

接收所述分布式计算架构中管理节点发送的网络流量读取任务；

根据所述网络流量读取任务，从用于存储网络流量值的数据存储架构中，读取网络流量值以及统计所述网络流量值对应的第一时刻；

根据所述第一时刻，确定所述网络流量值的时间因子，所述时间因子为晚于所述第一时刻且与所述第一时刻之间的时间间隔小于第一时长的时刻；

所述从所述分布式计算架构的其他工作节点存储的网络流量值中，拉取目标时刻的样本流量集包括的网络流量值，包括：

从所述分布式计算架构的其他工作节点存储的网络流量值中，获取时间因子包括目标时刻的网络流量值。

结合第一方面或第一种至第三种可能的实现方式中的一种，在第四种可能的实现方式中，所述从所述网络流量图像中，提取表征所述网络流量图像中各像素点的像素值分布特征，包括：

逐级对所述网络流量图像的每一像素行进行小波分解，并对分解结果中每一像素列进行小波分解，直至分解结果满足预设的分解策略；

基于分解结果进行图像重构，得到包含小波系数的变换结果；

将所述变换结果中的小波系数确定为所述网络流量图像中各像素点的像素值分布特征。

第二方面，本申请提供了一种特征提取装置，所述装置应用于网络设备，所述装置包括：

流量集获取模块，用于获取目标时刻的样本流量集，所述样本流量集为：在所述目标时刻之前的连续预设数量个时刻所对应的网络流量值的集合，所述连续预设数量个时刻两两时间间隔相同；

图像生成模块，用于根据所述样本流量集中每一网络流量值的大小确定每一像素点的像素值，生成与所述样本流量集对应的网络流量图像；

特征提取模块，用于从所述网络流量图像中，提取表征所述网络流量图像中各像素点的像素值分布特征，所述像素值分布特征用于表示所述目标时刻的样本流量集的特征。

结合第二方面，在第五种可能的实现方式中，所述图像生成模块，具体用于：

按照下述关系式，将所述样本流量集中每一网络流量值转换为二维数组中的一个元素；

A_ij＝Xt_m

i＝(t₁-t_m)/T

j＝(t₁-t_m)％T

T＝N*Δt

其中，A_ij表示所述二维数组中第i行第j列的元素，t_m表示所述预设数量个时刻中位于所述目标时刻之前的第m个时刻，t₁表示所述预设数量个时刻中位于所述目标时刻之前的第一个时刻，Xt_m表示t_m时刻的网络流量值，T表示预设的时间周期，N为大于1的正整数，Δt表示所述预设数量个时刻中相邻两时刻之间的时间间隔；

对所述二维数组中各个元素的取值进行调整处理，得到调整后的二维数组，所述调整后的二维数组中各个元素的取值满足像素值的取值范围；

将所述调整后的二维数组中各个元素的取值作为像素点的像素值，得到所述网络流量图像。

结合第二方面，在第六种可能的实现方式中，所述网络设备为分布式计算架构中的一个工作节点；其中，所述分布式架构中每一工作节点用于提取不同时刻所对应的网络流量的特征；

所述流量集获取模块，具体用于从所述分布式计算架构的其他工作节点存储的网络流量值中，拉取目标时刻的样本流量集包括的网络流量值。

结合第六种可能的实现方式中，在第七种可能的实现方式中，所述装置还包括：

任务接收模块，用于在所述流量集获取模块获取所述样本流量集之前，接收所述分布式计算架构中管理节点发送的网络流量读取任务；

数据读取模块，用于根据所述网络流量读取任务，从用于存储网络流量值的数据存储架构中，读取网络流量值以及统计所述网络流量值对应的第一时刻；

时间因子确定模块，用于根据所述第一时刻，确定所述网络流量值的时间因子，所述时间因子为晚于所述第一时刻且与所述第一时刻之间的时间间隔小于第一时长的时刻；

所述流量集获取，具体用于从所述分布式计算架构的其他工作节点存储的网络流量值中，获取时间因子包括目标时刻的网络流量值。

结合第二方面或第五种至第七种实现方式中的一种，在第八种可能的实现方式中，所述特征提取模块，具体用于：

逐级对所述网络流量图像的每一像素行进行小波分解，并对分解结果中每一像素列进行小波分解，直至分解结果满足预设的分解策略；

基于分解结果进行图像重构，得到包含小波系数的变换结果；

将所述变换结果中的小波系数确定为所述网络流量图像中各像素点的像素值分布特征。

第三方面，本申请提供了一种电子设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现本申请所述的方法步骤。

第四方面，本申请提供了一种机器可读存储介质，存储有机器可执行指令，在被处理器调用和执行时，所述机器可执行指令促使所述处理器：实现本申请所述的方法步骤。

由以上可见，应用本申请提供的方案提取目标时刻网络流量的特征时，根据样本流量集中每一网络流量值的大小确定每一像素点的像素值，生成与样本流量集对应的网络流量图像，并对网络流量图像进行特征提取，获得表征网络流量图像中各像素点像素值分布情况的特征。由于上述网络流量图像是根据样本流量集生成的，所以，可以认为所提取的上述特征表征的是样本流量集的特征。又由于目标时刻网络流量的特征与目标时刻之前各时刻的网络流量值相关，且样本流量集包含目标时刻之前预设数量个时刻的网络流量值，所以，可以将上述所提取的特征作为目标时刻网络流量的特征。

另外，从时间角度而言，上述样本流量集中包含的网络流量值属于一维数据。而上述网络流量图像属于二维数据，而二维数据的特征能够从不同的维度表征数据，因此，应用本申请实施例提供的方案提取各个时刻网络流量的特征，能够丰富所提取特征的层次，进而能够提高所提取特征表征各个时刻网络流量的准确性、全面性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种特征提取方法的流程示意图；

图2为本申请实施例提供的另一种特征提取方法的流程示意图；

图3为本申请实施例提供的一种特征提取装置的结构示意图；

图4为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的一种特征提取方法的流程示意图，该方法应用于网络设备，包括：

S101：获得目标时刻对应的样本流量集。

其中，上述样本流量集为：在目标时刻之前的连续预设数量个时刻所对应的网络流量值的集合。上述连续预设数量个时刻两两时间间隔相同，也就是，连续预设数量个时刻中，每两个相邻时刻之间的时间间隔是一样的。

上述目标时刻可以理解为提取网络流量的特征所针对的时刻，也可以理解为统计网络流量值所对应的时刻。可以是当前时刻，也可以是当前时刻之前的某一时刻，本申请实施例并不对此进行限定。

例如，当前时刻为：2019.3.18 18:00:00，则上述目标时刻可以为2019.3.1818:00:00，这种情况下，应用本申请实施例提供的方案提取的是2019.3.1818:00:00这一时刻网络流量的特征。上述目标时刻也可以为2019.3.18 17:30:00、2019.3.18 17:00:00、2019.3.17 18:00:00等，这种情况下，应用本申请实施例提供的方案提取的是2019.3.1817:30:00、2019.3.18 17:00:00、2019.3.17 18:00:00等时刻网络流量的特征。

基于上述内容，本申请实施例中针对某一时刻提取网络流量的特征可以理解为：获得上述时刻流经某一网络设备的网络流量所具有的流量值方面的特征。

具体的，上述预设数量个时刻中相邻两个时刻之间的时间间隔相等，取值可以根据具体应用情况的需求确定。例如，可以是1分钟、1小时、1天、1星期、1月等等。

上述预设数量的取值也可以是根据具体应用中的需求设定，例如，60、12、365等等。

以上述目标时刻为t_n、t_n-1、t_n+1为例，这三个时刻的样本流量集分别为：

t_n时刻的样本流量集为：{Xt_n-1、Xt_n-2……Xt_n-w}

t_n-1时刻的样本流量集为：{Xt_n-2、Xt_n-3……Xt_n-1-w}

t_n+1时刻的样本流量集为：{Xt_n、Xt_n-1……Xt_n+1-w}

上述w表示预设数量。

由上可见，上述各个样本流量集中均包括w个时刻的网络流量，又由于相邻时刻之间的时间间隔相等，所以各个样本流量集对应的时间长度均为(w-1)*Δt，上述Δt表示相邻时刻之间的时间间隔。因此，从时间角度而言，可以认为上述各个时刻的样本流量集包括：从各个时刻之前间隔Δt的时刻开始，窗口长度W＝(w-1)*Δt的时间窗口内，各个时刻的网络流量值。另外，可以将上述各个时刻称为相应时间窗口内网络流量的时间因子。也就是，上述各个时刻为提取该时刻网络流量的特征需要使用的网络流量值的时间因子。

例如，t_n为从t_n-1到t_n-w这一时间窗口内Xt_n-1、Xt_n-2……Xt_n-w的时间因子，t_n-1为从t_n-2到t_n-1-w这一时间窗口内Xt_n-2、Xt_n-3……Xt_n-1-w的时间因子，t_n+1为从t_n到t_n+1-w这一时间窗口内Xt_n、Xt_n-1……Xt_n+1-w的时间因子。

S102：根据样本流量集中每一网络流量值的大小确定每一像素点的像素值，生成与样本流量集对应的网络流量图像。

由于上述样本流量集包括的是目标时刻之前多个时刻的网络流量值。所以，从时间角度来讲，上述样本流量集包含的网络流量值是一维数据，也就是，样本流量集是一维数据。而图像数据是二维数据，因此，需要对样本流量集进行变换才能将样本流量集这一一维数据转化为二维的图像数据。

鉴于上述情况，本申请的一个实施例中，根据样本流量集中每一网络流量值的大小确定每一像素点的像素值，生成与样本流量集对应的网络流量图像时，可以通过以下步骤A-C实现。

步骤A：按照下述关系式，将样本流量集中每一网络流量值转换为二维数组中的一个元素：

A_ij＝Xt_m

i＝(t₁-t_m)/T

j＝(t₁-t_m)％T

T＝N*Δt

其中，上述i、j分别表示二维数组内各个元素的行号和列号，A_ij表示二维数组中第i行第j列的元素，t_m表示预设数量个时刻中位于目标时刻之前的第m个时刻，t₁表示预设数量个时刻中位于目标时刻之前的第一个时刻，Xt_m表示t_m时刻的网络流量值，T表示预设的时间周期，N为大于1的正整数，Δt表示预设数量个时刻中相邻两时刻之间的时间间隔。

假设，上述N等于4，上述预设数量等于16，则上述二维数组如下所示：

步骤B：对上述二维数组中各个元素的取值进行调整处理，得到调整后的二维数组。

其中，调整后的二维数组中各个元素的取值满足像素值的取值范围。

本申请的一个实施例中，上述取值范围可以为[0，1]，这种情况下，可以通过归一化处理，对二维数组中各个元素的取值进行调整处理，使得调整后的二维数组中各个元素的取值变化至上述[0，1]内。

本申请的另一个实施例中，上述取值范围还可以是[0，255]，这种情况下，可以通过线性变换等方式，对二维数组中各个元素的取值进行调整处理，使得调整后的二维数组中各个元素的取值变化至上述[0，255]内。

步骤C：将调整后的二维数组中各个元素的取值作为像素点的像素值，得到网络流量图像。

具体的，得到的网络流量图像可以为灰度图像。

可见，按照本申请实施例上述提供的方式所得到的网络流量图像中，每一像素行对应的网络流量值为按照时间顺序连续排列的各个时刻的网络流量值，而每一像素列对应的网络流量值为按照时间顺序间隔时长T的各个时刻的网络流量值。也就是，上述网络流量图像在水平方向上呈现的是网络流量值的局部变化情况，而垂直方向上呈现的是网络流量值周期性的变化情况，再者从整个网络流量图像整体而言，呈现的是用于针对一时刻提取特征的网络流量值的整体变化情况。也即，上述网络流量图像从不同维度呈现了网络流量值不同的变化情况。

S103：从网络流量图像中，提取表征网络流量图像中各像素点的像素值分布特征。

其中，上述像素值分布特征用于表示目标时刻的样本流量集的特征。

具体的，本步骤中，可以通过对网络流量图像进行特征提取，获得表征网络流量图像中各像素点像素值分布情况的特征。由于上述网络流量图像是根据样本流量集生成的，所以，可以认为所提取的上述特征表征的是样本流量集的特征。又由于目标时刻网络流量的特征与目标时刻之前各时刻的网络流量值相关，且样本流量集包含目标时刻之前预设数量个时刻的网络流量值，所以，可以将上述所提取的特征作为目标时刻网络流量的特征。

本申请的一个实施例中，可以对上述网络流量图像进行小波变换，并将变换结果中的小波系数作为目标时刻网络流量的特征。

由于图像尺寸大小不一，且人类视觉系统对物体尺度具有自适应性，因此，在对图像进行小波变换时可以引入一个尺度维，将图像在不同尺度下进行分解。也就是，在不同尺度下对图像进行小波分解。具体的，在对图像进行小波分解过程中，分解层数可以依据分解结果而定，若分解结果达到要求，可以停止继续分解，将分解过程中得到的小波系数作为目标时刻网络流量的特征，反之，若分解结果未达到要求，可以继续进行下一层分解，直至分解结果达到要求。

本申请的一个实施例中，在从网络流量图像中，提取表征网络流量图像中各像素点的像素值分布特征时，可以逐级对网络流量图像的每一像素行进行小波分解，并对分解结果中每一像素列进行小波分解，直至分解结果满足预设的分解策略，基于分解结果进行图像重构，得到包含小波系数的变换结果，并将变换结果中的小波系数确定为网络流量图像中各像素点的像素值分布特征。

具体的，在对网络流量图像进行小波分解时，可以先对网络流量图像的各个像素行进行一维DWT(Discrete Wavelet Transform，离散小波变换)，得到网络流量图像在水平方向上的低频分量L和垂直方向上的高频分量H，然后对上述一维DWT变换结果中的每一像素列进行一维DWT，获得网络流量图像在水平方向和垂直方向上的低频分量LL、水平方向上的低频和垂直方向上的高频分量LH、水平方向上的高频和垂直方向上的低频分量HL、水平方向和垂直方向上的高频分量HH。判断上述分解结果是否满足预设的分解策略，若不满足，则在上述针对上述分解结果继续进行二级分解，直至满足分解策略。

除了可以采用小波变换的方式提取网络流量图像的特征外，还可以借鉴图像处理领域中其他常见的特征提取方式，对网络流量图像进行特征提取。

例如，可以以像素行为单位对网络流量图像中各像素行中像素点的像素值进行直方图统计，还可以以像素列为单位对网络流量图像中各像素列中像素点的像素值进行直方图统计。然后将上述直方图统计结果作为目标时刻网络流量的特征。

再者，还可以采用边缘提取方法对网络流量图像进行边缘提取，这时可以得到边缘点在网络流量图像中的分布情况，然后基于上述分布情况获得目标时刻网络流量的特征。

由以上可见，应用本申请实施例提供的方案提取目标时刻网络流量的特征时，根据样本流量集中每一网络流量值的大小确定每一像素点的像素值，生成与样本流量集对应的网络流量图像，并对网络流量图像进行特征提取，获得表征网络流量图像中各像素点像素值分布情况的特征。由于上述网络流量图像是根据样本流量集生成的，所以，可以认为所提取的上述特征表征的是样本流量集的特征。又由于目标时刻网络流量的特征与目标时刻之前各时刻的网络流量值相关，且样本流量集包含目标时刻之前预设数量个时刻的网络流量值，所以，可以将上述所提取的特征作为目标时刻网络流量的特征。

另外，从时间角度而言，上述样本流量集中包含的网络流量值属于一维数据。而上述网络流量图像属于二维数据，而二维数据的特征能够从不同的维度表征数据，因此，应用本申请实施例提供的方案提取各个时刻网络流量的特征，能够丰富所提取特征的层次，进而能够提高所提取特征表征各个时刻网络流量的准确性、全面性。

本申请的另一个实施例中，参见图2，提供了另一种特征提取方法的流程示意图。本实施例中，上述网络设备为分布式计算架构中的一个工作节点，其中，分布式架构中每一工作节点用于提取不同时刻所对应的网络流量的特征。

这种情况下，上述S101获得目标时刻对应的样本流量集，可以通过如下S101A实现。

S101A：从分布式计算架构的其他工作节点存储的网络流量值中，拉取目标时刻的样本流量集包括的网络流量值。

由于分布式计算架构中会存在多个工作节点，工作过程中各个工作节点均可能会从数据存储架构中获得网络流量值，所以，属于上述样本流量集的网络流量值可能有些存在于作为执行主体的工作节点中，也可能有些存在于其他工作节点中。基于此，为保证顺利完成针对目标时刻的特征提取，所以需要将存在于其他工作节点、且属于样本流量集的网络流量值拉取到作为执行主体的工作节点的本地。

具体的，上述分布式计算架构可以是Spark架构。这种情况下，从Spark架构的其他工作节点存储的网络流量值中拉取属于上述样本流量集的网络流量时，可以通过预设的GroupByKey算子实现。

本申请的一个实施例中，通过GroupByKey算子拉取网络流量时，可以以上述目标时刻为Key进行网络流量拉取。

鉴于上述情况，本申请的一个实施例中，获取目标时刻的样本流量集之前，还可以接收分布式计算架构中管理节点发送的网络流量读取任务，根据上述网络流量读取任务，从用于存储网络流量值的数据存储架构中，读取网络流量值以及统计网络流量值对应的第一时刻，然后根据第一时刻，确定网络流量值的时间因子。

其中，上述时间因子为晚于第一时刻且与第一时刻之间的时间间隔小于第一时长的时刻。

本申请的一个实施例中，上述第一时长可以为前述连续预设数量个时刻确定的时长，也就是，第一时长＝(w-1)*Δt。

基于此，从分布式计算架构的其他工作节点存储的网络流量值中，拉取目标时刻的样本流量集包括的网络流量值时，可以从分布式计算架构的其他工作节点存储的网络流量值中，获取时间因子包括目标时刻的网络流量值。

在本申请实施例提供的方法应用于分布式计算架构中的每一工作节点的情况下，每一工作节点均可以按照本申请实施例提供的方案进行特征提取，这样各个工作节点可以并行工作，从而提高针对不同时刻网络流量提取特征的效率。

另外，针对每一工作节点而言，其所对应的目标时刻可以是按照预设的算法确定的，这一算法只要保证各个工作节点所对应的时刻不相同即可。

下面再基于Spark架构对通过GroupByKey算子拉取网络流量值的过程进行说明。

假设，Spark架构中用于为各个工作节点分配任务的节点为管理节点。

在提取网络流量的特征时，管理节点控制各个工作节点从用于存储网络流量的分布式存储架构中读取网络流量值。

由于各个工作节点进行后续特征提取时所使用到的网络流量值可能并未全在工作节点自身存储，因此，各个工作节点为保证后续能够获取其所需要的所有网络流量值，需要为读取到的每一网络流量值确定时间因子作为Key。

具体的，由于工作节点提取各个时刻网络流量的特征时，是基于前述时间窗口内的网络流量值提取的，所以，可以将所读取到的网络流量值所在时间窗口内网络流量值的时间因子作为上述Key，也就是，将会使用该网络流量值进行特征提取的时刻作为上述Key。

鉴于此，可以形成(网络流量值对应的时间因子，网络流量值)样式的数据，也即形成(使用网络流量值进行特征提取的时刻，网络流量值)样式的数据。

假设，t_n时刻的网络流量值Xt_n会在提取t_n+1、t_n+2、t_n+3、t_n+4这四个时刻网络流量的特征时用到，则工作节点可以通过数据扩展方式得到如下四份数据：

(t_n+1，Xt_n)、(t_n+2，Xt_n)、(t_n+3，Xt_n)、(t_n+4，Xt_n)

基于上述情况，工作节点可以以要提取特征的时刻为Key，通过GroupByKey算子一步拉取到提取上述时刻网络流量的特征所需的所有网络流量值。

例如，工作节点要提取t_n+1时刻网络流量的特征，则通过GroupByKey算子一步拉取所需要的Xt_n、Xt_n-1、Xt_n-2……。拉取到的这些网络流量值可以在工作节点本地按照如下形式存储：

(t_n+1，Xt_n、Xt_n-1、Xt_n-2……)。

与上述特征提取方法相对应，本申请实施例还提供了一种特征提取装置。

图3为本申请实施例提供的一种特征提取装置的结构示意图，该装置包括：

流量集获取模块301，用于获取目标时刻的样本流量集，所述样本流量集为：在所述目标时刻之前的连续预设数量个时刻所对应的网络流量值的集合，所述连续预设数量个时刻两两时间间隔相同；

图像生成模块302，用于根据所述样本流量集中每一网络流量值的大小确定每一像素点的像素值，生成与所述样本流量集对应的网络流量图像；

特征提取模块303，用于从所述网络流量图像中，提取表征所述网络流量图像中各像素点的像素值分布特征，所述像素值分布特征用于表示所述目标时刻的样本流量集的特征。

本申请的一个实施例中，所述图像生成模块302，具体用于：

按照下述关系式，将所述样本流量集中每一网络流量值转换为二维数组中的一个元素；

A_ij＝Xt_m

i＝(t₁-t_m)/T

j＝(t₁-t_m)％T

T＝N*Δt

其中，A_ij表示所述二维数组中第i行第j列的元素，t_m表示所述预设数量个时刻中位于所述目标时刻之前的第m个时刻，t₁表示所述预设数量个时刻中位于所述目标时刻之前的第一个时刻，Xt_m表示t_m时刻的网络流量值，T表示预设的时间周期，N为大于1的正整数，Δt表示所述预设数量个时刻中相邻两时刻之间的时间间隔；

对所述二维数组中各个元素的取值进行调整处理，得到调整后的二维数组，所述调整后的二维数组中各个元素的取值满足像素值的取值范围；

将所述调整后的二维数组中各个元素的取值作为像素点的像素值，得到所述网络流量图像。

本申请的一个实施例中，所述网络设备为分布式计算架构中的一个工作节点；其中，所述分布式架构中每一工作节点用于提取不同时刻所对应的网络流量的特征；

所述流量集获取模块301，具体用于从所述分布式计算架构的其他工作节点存储的网络流量值中，拉取目标时刻的样本流量集包括的网络流量值。

本申请的一个实施例中，上述特征提取装置还可以包括：

任务接收模块，用于在所述流量集获取模块获取所述样本流量集之前，接收所述分布式计算架构中管理节点发送的网络流量读取任务；

数据读取模块，用于根据所述网络流量读取任务，从用于存储网络流量值的数据存储架构中，读取网络流量值以及统计所述网络流量值对应的第一时刻；

时间因子确定模块，用于根据所述第一时刻，确定所述网络流量值的时间因子，所述时间因子为晚于所述第一时刻且与所述第一时刻之间的时间间隔小于第一时长的时刻；

所述流量集获取，具体用于从所述分布式计算架构的其他工作节点存储的网络流量值中，获取时间因子包括目标时刻的网络流量值。

本申请的一个实施例中，所述特征提取模块，具体用于：

逐级对所述网络流量图像的每一像素行进行小波分解，并对分解结果中每一像素列进行小波分解，直至分解结果满足预设的分解策略；

基于分解结果进行图像重构，得到包含小波系数的变换结果；

将所述变换结果中的小波系数确定为所述网络流量图像中各像素点的像素值分布特征。

由以上可见，应用上述各个实施例提供的方案提取目标时刻网络流量的特征时，根据样本流量集中每一网络流量值的大小确定每一像素点的像素值，生成与样本流量集对应的网络流量图像，并对网络流量图像进行特征提取，获得表征网络流量图像中各像素点像素值分布情况的特征。由于上述网络流量图像是根据样本流量集生成的，所以，可以认为所提取的上述特征表征的是样本流量集的特征。又由于目标时刻网络流量的特征与目标时刻之前各时刻的网络流量值相关，且样本流量集包含目标时刻之前预设数量个时刻的网络流量值，所以，可以将上述所提取的特征作为目标时刻网络流量的特征。

另外，从时间角度而言，上述样本流量集中包含的网络流量值属于一维数据。而上述网络流量图像属于二维数据，而二维数据的特征能够从不同的维度表征数据，因此，应用上述各个实施例提供的方案提取各个时刻网络流量的特征，能够丰富所提取特征的层次，进而能够提高所提取特征表征各个时刻网络流量的准确性、全面性。

与上述特征提取方法相对应，本申请实施例还提供了一种电子设备。

图4为本申请实施例提供的一种电子设备的结构示意图，该电子设备包括：处理器401和机器可读存储介质402，所述机器可读存储介质402存储有能够被所述处理器401执行的机器可执行指令，所述处理器401被所述机器可执行指令促使：实现本申请实施例所述的特征提取方法步骤。

本申请的一个实施例中，提供了一种特征提取方法，所述方法应用于网络设备，所述方法包括：

获取目标时刻的样本流量集，所述样本流量集为：在所述目标时刻之前的连续预设数量个时刻所对应的网络流量值的集合，所述连续预设数量个时刻两两时间间隔相同；

根据所述样本流量集中每一网络流量值的大小确定每一像素点的像素值，生成与所述样本流量集对应的网络流量图像；

从所述网络流量图像中，提取表征所述网络流量图像中各像素点的像素值分布特征，所述像素值分布特征用于表示所述目标时刻的样本流量集的特征。

需要说明的是，上述处理器401被机器可执行指令促使实现的特征提取方法的其他实施例，与前述方法实施例部分提及的实施例相同，这里不再赘述。

由以上可见，应用本申请实施例提供的电子设备提取目标时刻网络流量的特征时，由于上述网络流量图像是根据样本流量集生成的，所以，可以认为所提取的上述特征表征的是样本流量集的特征。又由于目标时刻网络流量的特征与目标时刻之前各时刻的网络流量值相关，且样本流量集包含目标时刻之前预设数量个时刻的网络流量值，所以，可以将上述所提取的特征作为目标时刻网络流量的特征。

另外，从时间角度而言，上述样本流量集中包含的网络流量值属于一维数据。而上述网络流量图像属于二维数据，而二维数据的特征能够从不同的维度表征数据，因此，应用本实施例提供的电子设备提取各个时刻网络流量的特征，能够丰富所提取特征的层次，进而能够提高所提取特征表征各个时刻网络流量的准确性、全面性。

与上述特征提取方法相对应，本申请实施例还提供了一种机器可读存储介质，存储有机器可执行指令，在被处理器调用和执行时，所述机器可执行指令促使所述处理器：实现本申请实施例所述的特征提取方法步骤。

本申请的一个实施例中，提供了一种特征提取方法，所述方法应用于网络设备，所述方法包括：

获取目标时刻的样本流量集，所述样本流量集为：在所述目标时刻之前的连续预设数量个时刻所对应的网络流量值的集合，所述连续预设数量个时刻两两时间间隔相同；

根据所述样本流量集中每一网络流量值的大小确定每一像素点的像素值，生成与所述样本流量集对应的网络流量图像；

从所述网络流量图像中，提取表征所述网络流量图像中各像素点的像素值分布特征，所述像素值分布特征用于表示所述目标时刻的样本流量集的特征。

需要说明的是，上述机器可执行指令促使处理器实现的特征提取方法的其他实施例，与前述方法实施例部分提及的实施例相同，这里不再赘述。

由以上可见，执行本申请实施例提供的机器可读存储介质中存储的机器可执行指令而提取目标时刻网络流量的特征时，由于上述网络流量图像是根据样本流量集生成的，所以，可以认为所提取的上述特征表征的是样本流量集的特征。又由于目标时刻网络流量的特征与目标时刻之前各时刻的网络流量值相关，且样本流量集包含目标时刻之前预设数量个时刻的网络流量值，所以，可以将上述所提取的特征作为目标时刻网络流量的特征。

另外，从时间角度而言，上述样本流量集中包含的网络流量值属于一维数据。而上述网络流量图像属于二维数据，而二维数据的特征能够从不同的维度表征数据，因此，应用本实施例提供的方案提取各个时刻网络流量的特征，能够丰富所提取特征的层次，进而能够提高所提取特征表征各个时刻网络流量的准确性、全面性。

上述机器可读存储介质可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，机器可读存储介质还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备和机器可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (10)

1.一种特征提取方法，其特征在于，所述方法应用于网络设备，所述方法包括：

获取目标时刻的样本流量集，所述样本流量集为：在所述目标时刻之前的连续预设数量个时刻所对应的网络流量值的集合，所述连续预设数量个时刻两两时间间隔相同；

根据所述样本流量集中每一网络流量值的大小确定每一像素点的像素值，生成与所述样本流量集对应的网络流量图像；

从所述网络流量图像中，提取表征所述网络流量图像中各像素点的像素值分布特征，所述像素值分布特征用于表示所述目标时刻的样本流量集的特征，包括：对所述网络流量图像分别依次以行为单位进行特征提取、以列为单位进行特征提取。

2.根据权利要求1所述的方法，其特征在于，所述根据所述样本流量集中每一网络流量值的大小确定每一像素点的像素值，生成与所述样本流量集对应的网络流量图像，包括：

按照下述关系式，将所述样本流量集中每一网络流量值转换为二维数组中的一个元素；

A_ij＝Xt_m

i＝(t₁-t_m)/T

j＝(t₁-t_m)％T

T＝N*Δt

其中，A_ij表示所述二维数组中第i行第j列的元素，t_m表示所述预设数量个时刻中位于所述目标时刻之前的第m个时刻，t₁表示所述预设数量个时刻中位于所述目标时刻之前的第一个时刻，Xt_m表示t_m时刻的网络流量值，T表示预设的时间周期，N为大于1的正整数，Δt表示所述预设数量个时刻中相邻两时刻之间的时间间隔；

对所述二维数组中各个元素的取值进行调整处理，得到调整后的二维数组，所述调整后的二维数组中各个元素的取值满足像素值的取值范围；

将所述调整后的二维数组中各个元素的取值作为像素点的像素值，得到所述网络流量图像。

3.根据权利要求1所述的方法，其特征在于，所述网络设备为分布式计算架构中的一个工作节点；其中，所述分布式架构中每一工作节点用于提取不同时刻所对应的网络流量的特征；

所述获取目标时刻的样本流量集，包括：

从所述分布式计算架构的其他工作节点存储的网络流量值中，拉取目标时刻的样本流量集包括的网络流量值。

4.根据权利要求3所述的方法，其特征在于，所述获取目标时刻的样本流量集之前，所述方法还包括：

接收所述分布式计算架构中管理节点发送的网络流量读取任务；

根据所述网络流量读取任务，从用于存储网络流量值的数据存储架构中，读取网络流量值以及统计所述网络流量值对应的第一时刻；

根据所述第一时刻，确定所述网络流量值的时间因子，所述时间因子为晚于所述第一时刻且与所述第一时刻之间的时间间隔小于第一时长的时刻；

所述从所述分布式计算架构的其他工作节点存储的网络流量值中，拉取目标时刻的样本流量集包括的网络流量值，包括：

从所述分布式计算架构的其他工作节点存储的网络流量值中，获取时间因子包括目标时刻的网络流量值。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述从所述网络流量图像中，提取表征所述网络流量图像中各像素点的像素值分布特征，包括：

逐级对所述网络流量图像的每一像素行进行小波分解，并对分解结果中每一像素列进行小波分解，直至分解结果满足预设的分解策略；

基于分解结果进行图像重构，得到包含小波系数的变换结果；

将所述变换结果中的小波系数确定为所述网络流量图像中各像素点的像素值分布特征。

6.一种特征提取装置，其特征在于，所述装置应用于网络设备，所述装置包括：

流量集获取模块，用于获取目标时刻的样本流量集，所述样本流量集为：在所述目标时刻之前的连续预设数量个时刻所对应的网络流量值的集合，所述连续预设数量个时刻两两时间间隔相同；

图像生成模块，用于根据所述样本流量集中每一网络流量值的大小确定每一像素点的像素值，生成与所述样本流量集对应的网络流量图像；

特征提取模块，用于从所述网络流量图像中，提取表征所述网络流量图像中各像素点的像素值分布特征，所述像素值分布特征用于表示所述目标时刻的样本流量集的特征；具体用于：对所述网络流量图像分别依次以行为单位进行特征提取、以列为单位进行特征提取。

7.根据权利要求6所述的装置，其特征在于，所述图像生成模块，具体用于：

按照下述关系式，将所述样本流量集中每一网络流量值转换为二维数组中的一个元素；

A_ij＝Xt_m

i＝(t₁-t_m)/T

j＝(t₁-t_m)％T

T＝N*Δt

其中，A_ij表示所述二维数组中第i行第j列的元素，t_m表示所述预设数量个时刻中位于所述目标时刻之前的第m个时刻，t₁表示所述预设数量个时刻中位于所述目标时刻之前的第一个时刻，Xt_m表示t_m时刻的网络流量值，T表示预设的时间周期，N为大于1的正整数，Δt表示所述预设数量个时刻中相邻两时刻之间的时间间隔；

对所述二维数组中各个元素的取值进行调整处理，得到调整后的二维数组，所述调整后的二维数组中各个元素的取值满足像素值的取值范围；

将所述调整后的二维数组中各个元素的取值作为像素点的像素值，得到所述网络流量图像。

8.根据权利要求6所述的装置，其特征在于，所述网络设备为分布式计算架构中的一个工作节点；其中，所述分布式架构中每一工作节点用于提取不同时刻所对应的网络流量的特征；

所述流量集获取模块，具体用于从所述分布式计算架构的其他工作节点存储的网络流量值中，拉取目标时刻的样本流量集包括的网络流量值。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

任务接收模块，用于在所述流量集获取模块获取所述样本流量集之前，接收所述分布式计算架构中管理节点发送的网络流量读取任务；

数据读取模块，用于根据所述网络流量读取任务，从用于存储网络流量值的数据存储架构中，读取网络流量值以及统计所述网络流量值对应的第一时刻；

时间因子确定模块，用于根据所述第一时刻，确定所述网络流量值的时间因子，所述时间因子为晚于所述第一时刻且与所述第一时刻之间的时间间隔小于第一时长的时刻；

所述流量集获取，具体用于从所述分布式计算架构的其他工作节点存储的网络流量值中，获取时间因子包括目标时刻的网络流量值。

10.根据权利要求6-9中任一项所述的装置，其特征在于，所述特征提取模块，具体用于：

逐级对所述网络流量图像的每一像素行进行小波分解，并对分解结果中每一像素列进行小波分解，直至分解结果满足预设的分解策略；

基于分解结果进行图像重构，得到包含小波系数的变换结果；

将所述变换结果中的小波系数确定为所述网络流量图像中各像素点的像素值分布特征。

Images