CN110544182B - 一种基于机器学习技术的配电通信网融合控制方法及系统 - Google Patents
一种基于机器学习技术的配电通信网融合控制方法及系统 Download PDFInfo
- Publication number
- CN110544182B CN110544182B CN201910811847.0A CN201910811847A CN110544182B CN 110544182 B CN110544182 B CN 110544182B CN 201910811847 A CN201910811847 A CN 201910811847A CN 110544182 B CN110544182 B CN 110544182B
- Authority
- CN
- China
- Prior art keywords
- module
- power distribution
- neural network
- source data
- communication network
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
- H04L41/0836—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability to enhance reliability, e.g. reduce downtime
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/18—Multiprotocol handlers, e.g. single devices capable of handling multiple protocols
Abstract
本发明提供一种基于机器学习技术的配电通信网融合控制方法及系统,采集配电通信网多种设备的多源数据,对多源数据进行内容识别并获得端口号发送的样本信息,样本信息用于神经网络隐藏层神经元数量的确定,从而可以提高神经网络的识别准确性,训练完成后的神经网络对多源数据进行处理,得到几个相关性最强的流量特征,对流量特征进行识别得到其对应的协议类型,然后可以将相同类型的协议进行融合,确保配电通信网的稳定可靠运行,由于神经网络隐藏层的神经元是由获取的多源数据来确定的,因此神经网络可以有效的对流量特征进行高精度的识别,从而方便分类后进行融合,为配电通信网的稳定运行提高可靠基础。
Description
技术领域
本发明涉及配电网通信技术领域,特别涉及一种基于机器学习技术的配电通信网融合控制方法及系统。
背景技术
配电通信网络是面向电网业务接入最后一公里;担负着信息的处理、命令的发送和返回,所有数据的传递;从目前现状来看,配电通信网组网模式复杂,设备厂家多样,这也造成各类配用网通信设备的数据接口、网管接口的采集方式、采集标准不统一,电通信网的资源数据格式繁杂、分布零散、业务调整频繁、资源运行和调配工作及时性和有效性无法保证,资源信息无法自动提供给其他管理系统进行更好地利用,也就无法利用资源数据来更好地支撑通信网络的整体规划与建设。
为了有效利用网络资源,为网络管理者提供有效的管控手段,目前主要有三种配电通信网融合控制方法,第一种基于集成学习技术的配电通信网融合控制方法,主要是基于信息增益率和样本质量中心的理论,将影响不大的结果的分类属性和接近样品的质心点删除,只可能是训练支持向量的样本点,在保证精度的同时提高训练效率,但分类的方法效果较差;第二种基于支持向量机融合控制方法是基于分类器的误判样本集,将误判样本的正确分类结果反馈给测试样本,提高分类器的分类精度。但该方法缺乏一定的鲁棒性。第三种基于朴素贝叶斯分类技术的融合控制方法,描述了包捕获、流形成、流属性确定、流样本标记过程和连续数据离散化,可以增加分布和通信网络融合控制的神经元数量,但在样本检测精度上存在一定缺陷。
发明内容
鉴以此,本发明提出一种基于机器学习技术的配电通信网融合控制方法及系统,根据采集的多源数据确定神经网络的隐藏层神经元个数,使神经网络可以更加准确的识别出协议类型,从而可以根据不同的协议进行融合,保证配电通信网的安全可靠运行。
本发明的技术方案是这样实现的:
一种基于机器学习技术的配电通信网融合控制方法,包括以下步骤:
步骤S1、采集配电通信网的多源数据;
步骤S2、对多源数据进行匹配识别,获取端口号发送的样本信息;
步骤S3、根据端口号发送的样本信息确定神经网络隐藏层的神经元个数;
步骤S4、神经网络以多源数据为输入进行筛选得到流量特征,对流量特征进行识别得到其对应的协议类型;
步骤S5、根据协议类型进行配电通信网融合。
优选的,所述步骤S1中采用snmp协议来采集配电通信网的多源数据。
优选的,所述步骤S1中的多源数据包括设备信息、设备型号、MAC地址、设备端口、运行时间、设备链路。
优选的,所述步骤S3的具体步骤为:
步骤S31、将隐藏层的神经元数量设置为1;
步骤S32、采用样本信息对神经网络进行训练,并计算得到神经网络的第一训练误差;
步骤S33、使隐藏层的神经元数量加一,采用样本信息对神经网络进行训练,并计算得到神经网络的第二训练误差,判断第二训练误差是否小于第一训练误差;
步骤S34、当第二训练误差小于第一训练误差时,第二训练误差所对应的隐藏层神经元个数即为最终确定的神经元个数;若第二训练误差大于第一训练误差,则返回到步骤S33中。
优选的,所述步骤S4神经网络以多源数据为输入进行筛选得到流量特征的具体步骤为:神经网络以多源数据作为输入得到一系列相关或不相关的流量特征,并从中选择几个相关性最强的流量特征,以此作为协议类型的识别依据。
优选的,所述步骤S5的具体步骤为,将协议类型进行分类,对同种协议类型进行融合。
一种基于机器学习技术的配电通信网融合控制系统,包括:
数据采集模块,用于采集配电通信网的多源数据;
数据内容识别模块,用于对多源数据进行处理并获取端口号发送的样本信息;
协议识别模块,用于对采集的多源数据进行识别,得到其对应的协议类型;
融合控制模块,进行配电通信网融合;
所述协议识别模块包括训练样本模块以及神经网络模块,所述数据采集模块将采集的多源数据分别传输给数据内容识别模块以及神经网络模块,所述数据内容识别模块对多源数据进行处理后传输样本信息给训练样本模块,所述训练样本模块将样本信息传输给神经网络模块,所述神经网络模块根据样本信息进行训练并确定隐藏层的神经元个数,训练完成的神经网络模块对数据采集模块传输的多源数据进行识别并得到多种协议类型,所述神经网络模块将协议类型传输给融合控制模块,所述融合控制模块对协议类型进行分类后对同种协议类型进行融合。
优选的,所述数据采集模块内置有snmp协议。
优选的,所述融合控制模块包括分类模块以及融合模块,所述分类模块对神经网络模块传输的多种协议进行分类,并将同种类型的协议一起传输给融合模块,所述融合模块对同类型的协议进行融合。
与现有技术相比,本发明的有益效果是:
本发明提供了一种基于机器学习技术的配电通信网融合控制方法及系统,对配电通信网进行数据采集,采集多源数据进行处理并获取端口号发送的样本信息,采用样本信息对神经网络进行训练以确定神经网络隐藏层的神经元数量,训练完成后的神经网络对多源数据进行筛选得到流量特征,并对流量特征进行识别得到其对应的协议类型,然后可以将相同类型的协议进行融合,确保配电通信网的稳定可靠运行,由于神经网络隐藏层的神经元是由获取的多源数据来确定的,因此神经网络可以有效的对流量特征进行高精度的识别,从而方便分类后进行融合,为配电通信网的稳定运行提高可靠基础。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的优选实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于机器学习技术的配电通信网融合控制方法的一个实施例的流程图;
图2为本发明的一种基于机器学习技术的配电通信网融合控制方法的一个实施例的确定隐藏层神经元数量的流程图;
图3为本发明的一种基于机器学习技术的配电通信网融合控制系统的一个实施例的原理图;
图中,1为数据采集模块,2为数据内容识别模块,3为协议识别模块,4为融合控制模块,5为训练样本模块,6为神经网络模块,7为分类模块,8为融合模块。
具体实施方式
为了更好理解本发明技术内容,下面提供一具体实施例,并结合附图对本发明做进一步的说明。
参见图1,本发明提供的一种基于机器学习技术的配电通信网融合控制方法,包括以下步骤:
步骤S1、采集配电通信网的多源数据;
步骤S2、对多源数据进行匹配识别,获取端口号发送的样本信息;
步骤S3、根据端口号发送的样本信息确定神经网络隐藏层的神经元个数;
步骤S4、神经网络以多源数据为输入进行筛选得到流量特征,对流量特征进行识别得到其对应的协议类型;
步骤S5、根据协议类型进行配电通信网融合。
本发明的一种基于机器学习技术的配电通信网融合控制方法,首先会采集配电通信网中的多源数据,包括不同设备的多种数据,通过对多源数据及逆行那个匹配识别,获取其中的端口号所发送的样本信息,将样本信息作为神经网络的训练样本,用于训练并确定神经网络隐藏层神经元的个数,训练完成的神经网络可以对多源数据进行识别,从而确定多源数据所对应的协议类型,最后在根据协议的类型进行相应的融合即可实现配电通信网的融合,保证配电通信网的稳定可靠运行。
具体的,本实施例主要是采用基于神经网络的机器学习技术来先对数据的识别,为了提高神经网络对数据识别的精度,需要对神经网络的隐藏层的神经元数量进行确定,本发明对多源数据进行匹配识别后获得端口号发送的样本信息,以端口号发送的样本信息作为神经网络的训练样本,以此对神经网络进行训练来确定隐藏层的神经元数量,从而训练完成的神经网络可以较为准确的对多源数据进行识别,而神经网络对多源数据进行识别的主要过程为识别出多源数据中的流量特征,再由流量特征来确定对应的协议类型,。
优选的,所述步骤S1中采用snmp协议来采集配电通信网的多源数据。
snmp(简单网络管理)协议由一组网络管理的标准组成,包含一个应用层协议(application layer protocol)、数据库模型(database schema)和一组资源对象,该协议能够支持网络管理系统,用以监测连接到网络上的设备是否有任何引起管理上关注的情况,通过snmp协议采集配电通信网的多源数据,需要说明的是,snmp协议采集的是配电通信网中的多种设备的多源数据。
优选的,所述步骤S1中的多源数据包括设备信息、设备型号、MAC地址、设备端口、运行时间、设备链路。
本发明中采集的多源数据包括设备信息、设备型号、MAC地址、设备端口、运行时间、设备链路等,采集的多源数据一方面用于进行匹配识别获取端口号发送的样本信息,另一方面作为训练好的神经网络的识别对象。
参照图2,所述步骤S3确定神经网络隐藏层的神经元个数的具体步骤为:
步骤S31、将隐藏层的神经元数量设置为1;
步骤S32、采用样本信息对神经网络进行训练,并计算得到神经网络的第一训练误差;
步骤S33、使隐藏层的神经元数量加一,采用样本信息对神经网络进行训练,并计算得到神经网络的第二训练误差,判断第二训练误差是否小于第一训练误差;
步骤S34、当第二训练误差小于第一训练误差时,第二训练误差所对应的隐藏层神经元个数即为最终确定的神经元个数;若第二训练误差大于第一训练误差,则返回到步骤S33中。
对于神经网络的隐藏层的确定,首先将隐藏层的初始神经元数量设置为1,并进行相应的训练后获取第一训练误差,第一训练误差作为误差阈值,然后对隐藏层的神经元数量进行递增,神经元每增加一个,都相应的进行训练并计算训练误差,此时的训练误差统称为第二训练误差,将第二训练误差与第一训练误差进行比较,当第二训练误差小于第一训练误差时,此时第二训练误差所对应的神经元的数量即为最终确定的隐藏层的神经元数量,确定了隐藏层神经元数量后,即可使用神经网络进行协议类型的识别,由于隐藏层神经元的数量是采用端口号发送的样本信息进行训练确定的,因此神经网络对于多源数据的筛选识别的精度较高,可以较准确的识别出所对应的协议类型,从而为配电通信网的融合提供有利条件。
优选的,所述步骤S4神经网络以多源数据为输入进行筛选得到流量特征的具体步骤为:神经网络以多源数据作为输入得到一系列相关或不相关的流量特征,并从中选择几个相关性最强的流量特征,以此作为协议类型的识别依据。
神经网络首先对多源数据进行处理后得到一系列相关或不相关的流量特征,然后在从这一系列特征中选择几个相关性最强的流量特征,最后对这几个相关性最强的流量特征进行识别,以此来识别其所对应的协议类型,从而为后续的融合提供条件。
通过对一系列的流量特征进行筛选得到几个相关性最强的流量特征,可以减少后续识别的复杂度以及工作量,提高识别的效率,从而可以快速的实现融合,保证配电通信网的稳定可靠运行。
优选的,所述步骤S5的具体步骤为,将协议类型进行分类,对同种协议类型进行融合。
神经网络识别得到多种不同类型的协议后,将相同类型的协议组合到一起并进行融合,保证配电通信网的稳定可靠运行。
参照图3,本发明的一种基于机器学习技术的配电通信网融合控制系统,包括:
数据采集模块1,用于采集配电通信网的多源数据;
数据内容识别模块2,用于对多源数据进行处理并获取端口号发送的样本信息;
协议识别模块3,用于对采集的多源数据进行识别,得到其对应的协议类型;
融合控制模块4,进行配电通信网融合;
所述协议识别模块3包括训练样本模块5以及神经网络模块6,所述数据采集模块1将采集的多源数据分别传输给数据内容识别模块2以及神经网络模块6,所述数据内容识别模块2对多源数据进行处理后传输样本信息给训练样本模块5,所述训练样本模块5将样本信息传输给神经网络模块6,所述神经网络模块6根据样本信息进行训练并确定隐藏层的神经元个数,训练完成的神经网络模块6对数据采集模块1传输的多源数据进行识别并得到多种协议类型,所述神经网络模块6将协议类型传输给融合控制模块4,所述融合控制模块4对协议类型进行分类后对同种协议类型进行融合。
在本实施例中,数据采集模块1用于采集配电通信网的多源数据,包括多个不同设备的多源数据,数据采集模块1内置有snmp协议,采集的多源数据包括备信息、设备型号、MAC地址、设备端口、运行时间、设备链路等,数据采集模块1分别与数据内容识别模块2以及协议识别模块3连接,数据采集模块1采集的多源数据会分别传输给数据内容识别模块2以及协议识别模块3中的神经网络模块6,其中,数据内容识别模块2对多源数据进行处理后获取端口号发送的样本信息并传输给训练样本模块5,训练样本模块5将样本信息传输给神经网络模块6进行训练,并判断隐藏层的神经元个数,神经网络训练完成后,对数据采集模块1传输的多源数据进行处理,处理得到一系列相关或不相关的流量特征,然后从中筛选出几个相关性最强的流量特征进行识别,得到流量特征所对应的协议类型,由于采集的多源数据是多个设备的多源数据,因此识别得到的协议数量很多,种类也很多,由融合控制模块4接收所有类型的协议后,将同种类型的协议组合并进行融合,为配电通信网的安全运行提供保障。
优选的,所述融合控制模块4包括分类模块7以及融合模块8,所述分类模块7对神经网络模块6传输的多种协议进行分类,并将同种类型的协议一起传输给融合模块8,所述融合模块8对同类型的协议进行融合。
分类模块7主要的作用是将相同类型的协议进行归类,然后由融合模块8将同种类型的协议进行融合。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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保护范围之内。
Claims (9)
1.一种基于机器学习技术的配电通信网融合控制方法,其特征在于,包括以下步骤:
步骤S1、采集配电通信网的多源数据;
步骤S2、对多源数据进行匹配识别,获取端口号发送的样本信息;
步骤S3、根据端口号发送的样本信息确定神经网络隐藏层的神经元个数;
步骤S4、神经网络以多源数据为输入进行筛选得到流量特征,对流量特征进行识别得到其对应的协议类型;
步骤S5、根据协议类型进行配电通信网融合。
2.根据权利要求1所述的一种基于机器学习技术的配电通信网融合控制方法,其特征在于,所述步骤S1中采用snmp协议来采集配电通信网的多源数据。
3.根据权利要求1所述的一种基于机器学习技术的配电通信网融合控制方法,其特征在于,所述步骤S1中的多源数据包括设备信息、设备型号、MAC地址、设备端口、运行时间、设备链路。
4.根据权利要求1所述的一种基于机器学习技术的配电通信网融合控制方法,其特征在于,所述步骤S3的具体步骤为:
步骤S31、将隐藏层的神经元数量设置为1;
步骤S32、采用样本信息对神经网络进行训练,并计算得到神经网络的第一训练误差;
步骤S33、使隐藏层的神经元数量加一,采用样本信息对神经网络进行训练,并计算得到神经网络的第二训练误差,判断第二训练误差是否小于第一训练误差;
步骤S34、当第二训练误差小于第一训练误差时,第二训练误差所对应的隐藏层神经元个数即为最终确定的神经元个数;若第二训练误差大于第一训练误差,则返回到步骤S33中。
5.根据权利要求1所述的一种基于机器学习技术的配电通信网融合控制方法,其特征在于,所述步骤S4神经网络以多源数据为输入进行筛选得到流量特征的具体步骤为:神经网络以多源数据作为输入得到一系列相关或不相关的流量特征,并从中选择几个相关性最强的流量特征,以此作为协议类型的识别依据。
6.根据权利要求1所述的一种基于机器学习技术的配电通信网融合控制方法,其特征在于,所述步骤S5的具体步骤为,将协议类型进行分类,对同种协议类型进行融合。
7.一种应用权利要求1-6任一所述基于机器学习技术的配电通信网融合控制方法的基于机器学习技术的配电通信网融合控制系统,其特征在于,包括:
数据采集模块,用于采集配电通信网的多源数据;
数据内容识别模块,用于对多源数据进行处理并获取端口号发送的样本信息;
协议识别模块,用于对采集的多源数据进行识别,得到其对应的协议类型;
融合控制模块,进行配电通信网融合;
所述协议识别模块包括训练样本模块以及神经网络模块,所述数据采集模块将采集的多源数据分别传输给数据内容识别模块以及神经网络模块,所述数据内容识别模块对多源数据进行处理后传输样本信息给训练样本模块,所述训练样本模块将样本信息传输给神经网络模块,所述神经网络模块根据样本信息进行训练并确定隐藏层的神经元个数,训练完成的神经网络模块对数据采集模块传输的多源数据进行识别并得到多种协议类型,所述神经网络模块将协议类型传输给融合控制模块,所述融合控制模块对协议类型进行分类后对同种协议类型进行融合。
8.根据权利要求7所述的一种基于机器学习技术的配电通信网融合控制系统,其特征在于,所述数据采集模块内置有snmp协议。
9.根据权利要求7所述的一种基于机器学习技术的配电通信网融合控制系统,其特征在于,所述融合控制模块包括分类模块以及融合模块,所述分类模块对神经网络模块传输的多种协议进行分类,并将同种类型的协议一起传输给融合模块,所述融合模块对同类型的协议进行融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910811847.0A CN110544182B (zh) | 2019-08-30 | 2019-08-30 | 一种基于机器学习技术的配电通信网融合控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910811847.0A CN110544182B (zh) | 2019-08-30 | 2019-08-30 | 一种基于机器学习技术的配电通信网融合控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110544182A CN110544182A (zh) | 2019-12-06 |
CN110544182B true CN110544182B (zh) | 2023-10-03 |
Family
ID=68710778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910811847.0A Active CN110544182B (zh) | 2019-08-30 | 2019-08-30 | 一种基于机器学习技术的配电通信网融合控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110544182B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597415B (zh) * | 2020-05-13 | 2023-05-26 | 云南电网有限责任公司电力科学研究院 | 基于神经网络的配电网台账数据贯通方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104111931A (zh) * | 2013-04-17 | 2014-10-22 | 中国科学院声学研究所 | 一种协议自动识别方法及其所用分类器的构造方法 |
CN106790266A (zh) * | 2017-02-13 | 2017-05-31 | 云南电网有限责任公司电力科学研究院 | 一种智能分布式馈线自动化的通信方法及装置 |
CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6940864B2 (en) * | 2001-07-16 | 2005-09-06 | International Business Machines Corporation | Network access traffic sorter |
US9967188B2 (en) * | 2014-10-13 | 2018-05-08 | Nec Corporation | Network traffic flow management using machine learning |
-
2019
- 2019-08-30 CN CN201910811847.0A patent/CN110544182B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104111931A (zh) * | 2013-04-17 | 2014-10-22 | 中国科学院声学研究所 | 一种协议自动识别方法及其所用分类器的构造方法 |
CN106790266A (zh) * | 2017-02-13 | 2017-05-31 | 云南电网有限责任公司电力科学研究院 | 一种智能分布式馈线自动化的通信方法及装置 |
CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
Non-Patent Citations (6)
Title |
---|
Moore A W et al."Toward the Accurate Identication of Network Applications".《Computer Science》.2005,第1-14页. * |
刘小敏."配网通信中的无线通信技术研究".《信息通信》.2017,(第12期),第257-258页. * |
姜羽等."电力信息通信网络流量识别技术研究".《信息化研究》.2015,第41卷(第1期), * |
徐莉等."利用统计特征的网络应用协议识别方法".《西安交通大学学报》.2009,第43卷(第2期), * |
李斌."网络流量分类及其现状研究".《广西教育》.2013,第190-192页. * |
郭丽等."基于多层感知器的流量分类方法研究".《电子测量与仪器学报》.2019,第33 卷(第7 期),56-64. * |
Also Published As
Publication number | Publication date |
---|---|
CN110544182A (zh) | 2019-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109347668B (zh) | 一种服务质量评估模型的训练方法及装置 | |
CN109726744B (zh) | 一种网络流量分类方法 | |
US20120099465A1 (en) | Method and its devices of network tcp traffic online identification using features in the head of the data flow | |
CN109359098B (zh) | 一种调度数据网行为监测系统及方法 | |
CN106302017B (zh) | 高并发小流量网络测速系统及方法 | |
CN113037783B (zh) | 一种异常行为检测方法及系统 | |
CN116319777A (zh) | 一种基于边缘计算的智能网关业务处理方法 | |
CN108156018B (zh) | 电力网络设备拓扑识别方法、电子设备和计算机存储介质 | |
CN112860676A (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
CN110544182B (zh) | 一种基于机器学习技术的配电通信网融合控制方法及系统 | |
CN111817935B (zh) | 一种互联网智能家居数据处理方法及系统 | |
CN113660687A (zh) | 网络差小区处理方法、装置、设备及存储介质 | |
Ahmed et al. | Predicting high delays in mobile broadband networks | |
CN117236559A (zh) | 一种基于物联网的智能充电桩数据分析方法和装置 | |
CN109167673B (zh) | 一种融合异常Qos数据检测的新型云服务筛选方法 | |
CN111970151A (zh) | 虚拟及容器网络的流量故障定位方法及系统 | |
CN111917848A (zh) | 基于边缘计算和云计算协同的数据处理方法及云服务器 | |
CN115665259A (zh) | 一种加密http请求采集装置、系统及方法 | |
Zhang et al. | Network traffic clustering with QoS-awareness | |
CN113411236B (zh) | 质差路由器检测方法、装置、设备及存储介质 | |
CN115883016A (zh) | 基于联邦生成对抗网络的流量数据增强方法与装置 | |
CN112417446A (zh) | 一种软件定义网络异常检测架构 | |
CN114006945A (zh) | 一种物联网数据的智能分组分发的方法、物联网平台 | |
US9331916B1 (en) | Data-driven detection of servers and clients | |
CN106530199A (zh) | 基于窗口式假设检验的多媒体综合隐写分析方法 |
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 |