CN111814986A - 动态网络流控制器调度与服务类型分配方法及控制器算法 - Google Patents

动态网络流控制器调度与服务类型分配方法及控制器算法 Download PDF

Info

Publication number
CN111814986A
CN111814986A CN202010647505.2A CN202010647505A CN111814986A CN 111814986 A CN111814986 A CN 111814986A CN 202010647505 A CN202010647505 A CN 202010647505A CN 111814986 A CN111814986 A CN 111814986A
Authority
CN
China
Prior art keywords
flow
controller
algorithm
switch
accuracy
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.)
Granted
Application number
CN202010647505.2A
Other languages
English (en)
Other versions
CN111814986B (zh
Inventor
沈耀
普里通
李莎
刘韵
邹坤
薛迪
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.)
Shanghai Jiaotong University Baotou Materials Research Institute
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University Baotou Materials Research Institute
Shanghai Jiaotong University
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 Shanghai Jiaotong University Baotou Materials Research Institute, Shanghai Jiaotong University filed Critical Shanghai Jiaotong University Baotou Materials Research Institute
Priority to CN202010647505.2A priority Critical patent/CN111814986B/zh
Publication of CN111814986A publication Critical patent/CN111814986A/zh
Application granted granted Critical
Publication of CN111814986B publication Critical patent/CN111814986B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了动态网络流控制器调度与服务类型分配方法及控制器算法，利用4种不同机器学习技术，分别使用3,5和7个参数对流量进行分类取得了最高98.83%的准确度，而且展示了一种新的精度加速算法（Accuracy Accelerator Algorithm(AAA)），结合不同的机器学习分类器并且有效地提高了测试准确度；不仅如此，还提供了一种全新的基于RYU平台作用于IPv4包的控制器算法,能够实时的对TCP和UDP两种网络流量进行分类，在延迟表现方面也获得提升，分析数据包以及控制器处理时间约平均10毫秒，这个研究课题将来必然会对SDN和QoS优化的更进一步研究提供帮助。

Description

动态网络流控制器调度与服务类型分配方法及控制器算法
技术领域
本发明涉及通信领域，具体涉及动态网络流控制器调度与服务类型分配方法及控制器算法。
背景技术
在传统的网络系统里，所有的网络流都进行相同方式对待；然而随着新兴网络数据的迸发，对网络流分类变成一件非常必须的事情。网络管理员能根据用户的需求自动对特定的网络流提供相应的处理。在这一部分我们将讨论一些之前的机器学习方法以及它们的表现。
近年来，有一些使用机器学习技术分类网络流量的研究工作[1], [5], [6]。然而这些之前的研究工作都有他们各自的缺陷。例如[1]中采用了卷积和循坏神经网络进行网络流量的分类。虽然这些模型的精确度很高，但在真实的控制器中运行神经网络的时间成本和空间成本也很高，难以实际使用。在[5]中，只有很少的服务质量（QoS）等级，在现如今在各种设备上运行的许许多多各种应用来说仅仅4个QoS是远远不够的。此外他们也没有展示他们的研究工作在实现生活执行情况。在[6]中，作者采用了决策树（Decision Tree）,随机梯度提升(Stochastic Gradient Boosting)和极端梯度提升(Extreme GradientBoosting)模型。不同于划分QoS(服务质量)级别，他们基于应用流量进行分类；即使在采取了强大的集成学习算法(boosting algorithm),总体的准确率仍然没有超过95%。
然而由于没有标准数据集，有限的应用，固定数量的特征集，不同网络流量分类器之间的比较是一件困难的事情。
在对网络流量进行分类前，获得合适的数据是不可缺少的。目前有一些流行的开源数据集例如UNB ISCX [7] and Moore [8]。然而，为了避免使用未知和不必要的数据，大多数之前的研究工作使用他们自己建立的的数据集。
对于无监督和半监督机器学习，特征选择是很重要的一部分。一种收集数据提取特征的全新方式展示在[6]。几种传统的机器学习算法在其中使用，例如C4.5, SupportVector Machine(SVM), Na¨ıve Bayes (NB),和 KNN。对sdn网络来说他们的流量分类架构是合适的，对于11组标签，他们获得93.2到98%的准确度。在[9]，包括protocol, ports,packet throughput 和byte throughput在内37个特征被考虑。当使用5个特征集，[1]中的作者表明当特征集更少时他们的模型趋向更差的表现。
在论文[10]中，当使用5种服务类型和23个特征，以上提到的算法准确的低于80%。在论文[11]中提议了一种增强的随机森林算法（enhanced random forest algorithm），使用29个特征以及12种服务类型，他们获得F1分数是0.3 - 0.95,只有3种类型的数值高于0.96.这些研究工作表明使用更少的特征以及更多的应用取得高准确性是一件具有挑战性的事情。在论文[12]中使用了剑桥数据集[10]，作者用决策树算法获得60%-90%的准确度。
在论文[13]中，用基于STIC机制的SVM算法对28种不同应用的分类取得了总体85.98%的准确度。对特定的一些应用甚至获得99%的准确度。
然而，在论文[14]中，使用仅有3个隐藏层的多层感知机（MLP），对十种服务类型作者获得了超过96%的准确度。
在论文[14]中,作者提议了一种对200种手机应用流量分类并获得93.5%准确度的深度神经网络模型。文中使用5个特征，packet size, destination address, protocol,port, 和 TTL。
在论文[1]中，RNN（循环神经网络）结合了CNN（卷积神经网络），对不同的特征集模型可以获得78%-96%的准确度。
以上提到的研究工作大多立于网络分类的准确度提升上。也有一些控制器算法被提出，然而这些算法并不能将机器学习分类器嵌入进它们中。此外，大多数控制器算法要不只支持UDP网络流，要不只支持TCP网络流。
控制器中基于QoS的网络流分类的分析和实现在研究领域并没有获得太大的关注。这里我们呈现了一种使用动态机器学习算法进行网络流分类全新方式和能嵌入动态机器学习算法的控制器算法确保更好的Qos（服务质量）。
背景技术中引用的文献:
[1] M. Lopez, B. Carro, A. Sanchez, and J. Lloret, “Network trafficclassifier with convolutional and recurrent neural networks for internet ofthings,” IEEE Access, vol. 5, pp. 18042–18050, 2017.
[2] W. R. Burrows, M. Benjamin, S. Beauchamp, E. R. Lord, and D.McCollor, “Cart decision-tree statistical analysis and prediction of summerseason maximum surface ozone for the vancouver, montreal, and atlantic,” Jnl.of applied meteorology, vol. 34, no. 8, pp. 1848–1862, 1995.
[3] J. R. Quinlan, “Induction of decision trees,” Machine learning, vol.1, no. 1, pp. 81–106, 1986.
[4] S. Karatsiolis and C. N. Schizas, “Region based support vectormachine algorithm for medical diagnosis on pima indian diabetes dataset,” in2012 IEEE 12th Int. Conf. on Bioinformatics & Bioengineering (BIBE). Larnaca,Cyprus: IEEE, 2012, pp. 139–144.
[5] P. Wang, S.-C. Lin, and M. Luo, “A framework for qos-aware trafficclassification using semi-supervised machine learning in sdns,” in 2016 IEEEInt. Conf. on Services Computing (SCC). San Francisco, CA, USA: IEEE, 2016,pp. 760–765.
[6] P. Amaral, J. Dinis, P. Pinto, L. Bernardo, and J. Tavares, “Machinelearning in software defined networks: Data collection and traffic classification,” in 2016 IEEE 24th Int. Conf. on Network Protocols (ICNP). Singapore,Singapore: IEEE, 2016, pp. 1–5.
[7] (2020) Unb datasets. [Online]. Available: http://www.unb.ca/research/iscx/dataset/iscx-IDS-dataset.html
[8] A. Moore, D. Zuev, and M. Crogan, “Discriminators for use in flowbasedclassification,” Queen Mary University of London, Tech. Rep., 2013.
[9] H. Kim, K. C. Claffy, M. Fomenkov, D. Barman, M. Faloutsos, and K.Lee, “Internet traffic classification demystified: myths, caveats, andthebestpractices,”inProceedingsofthe2008 ACMCoNEXTconference, vol. 11, ACM.New York, NY, USA: Association for Computing Machinery, 2008, pp. 1–12.
[10] M. Shafiq, X. Yu, A. A. Laghari, L. Yao, N. K. Karn, and F.Abdessamia, “Network traffic classification techniques and comparative analysisusing machine learning algorithms,” in 2016 2nd IEEE Int. Conf. on Computerand Comm. (ICCC). Chengdu, China: IEEE, 2016, pp. 2451–2455.
[11] C. Wang, T. Xu, and X. Qin, “Network traffic classification withimproved random forest,” in 2015 11th Int. Conf. on ComputationalIntelligence and Security (CIS), IEEE. Chengdu, China: IEEE, 2015, pp. 78–81.[12] Z. Yuan and C. Wang, “An improved network traffic classification algorithmbased on hadoop decision tree,” in 2016 IEEE Int. Conf. of Online Analysisand Computing Science (ICOACS). Chongqing, China: IEEE, 2016, pp. 53–56.
[13] C. C. Liu, Y. Chang, C. W. Tseng, Y. T. Yang, M. S. Lai, and L. D.Chou, “Svm-based classification mechanism and its application in sdnnetworks,” in 2018 10th Int. Conf. on Comm. Software and Networks (ICCSN).Chengdu, China: IEEE, 2018, pp. 45–49.
[14] W. Zhou, L. Dong, L. Bic, M. Zhou, and L. Chen, “Internet trafficclassification using feed-forward neural network,” in 2011 Int. Conf. onComputational Problem-Solving (ICCP). Chengdu, China: IEEE, 2011, pp. 641–646。
发明内容
本发明的目的在于提供一种基于动态网络流控制器调度与服务类型分配方法及控制器算法，以解决上述背景中提到的问题，算法在多种参数配置下均能有效执行，并能够达到98.83％的准确度，全面优于现有模型。
1. 动态网络分类器
首先，训练一些传统的机器学习算法，包括决策树，随机森林和K近邻。决策树是一种流行的无监督机器学习技术。它遵循树形结构，其中叶节点是类标签，其他未标记的节点是要素。由于其简单性和高性能决策树在类似情景下被广泛使用。CART [2]，ID3 [3]和C4.5[4]是最常用的决策树算法。其中C4.5算法在统计数据上表现最好。因此，选择具有4个随机状态的决策树算法，训练集和测试集分别为数据集的70%和30%。这个决策树算法的准确性与先前工作的准确性持平，达到了98.63％，但是它倾向于过度拟合某些类别。所以，我们还使用了由许多决策树组成的随机森林。
在构建树时，随机森林算法会随机获取训练数据点的样本。为了分割节点，算法会构造特征的随机子集。在训练模型时，我们将随机森林的深度固定为15，将随机状态的深度固定为2，以减少过拟合。总体来说，随机森林的准确性为98.83％。
但是，随机森林对视频和批量数据的准确性要比其他算法低。因此，在这类工作中我们采用k近邻算法。k近邻算法是一种用于基于未分类数据的最近邻对样本数据进行分类的算法。通过尝试不同的k值，得出的结论是当k的值取k = 3时可获得最佳的结果。与决策树和随机森林相比，k最近邻模型的整体准确性略低（96.67％）。然而，对于视频数据，k近邻的准确度要比其他模型高得多。
通过分析上述算法的分析结果，可以看到没有一种机器学习算法能够在所有类别都取得最好的结果。与决策树和K近邻相比，随机森林可以更好地对信号，VoIP，事务和默认类进行分类。同样，对于视频数据而言，KNN具有最好的效果。而决策树在批量数据，OAM，清除程序数据，控制信号和关键信号方面表现最佳。因此，针对性地提出算法1，该算法为每个类别找到最佳模型并据此预测类别。
Figure RE-DEST_PATH_IMAGE001
令i为分类器，m为类别数
Figure RE-851879DEST_PATH_IMAGE002
为预训练的分类器集合,
Figure RE-50911DEST_PATH_IMAGE002
= {
Figure RE-DEST_PATH_IMAGE003
. 令 fi(x) =
Figure RE-158544DEST_PATH_IMAGE002
.则Yi = arg maxx {f1(x),f2(x),… ,fm(x)}. Yj是对于每一个类 Y1, Y2,…,Yj.最佳的分类器。所提出的算法1结合了预训练的模型，并为每个类找到了最佳模型，从而显着提高了测试的准确性。最后，使用预训练的分类器和AAA算法，创建了DNC并用作控制器的QoS API。
2.控制器算法
定义Mouse flow 为由网络链接上测量的TCP（或其他协议）建立的以总字节计数的短流。
定义Elephant flow为由网络链接上测量的TCP（或其他协议）建立以总字节计数的非常大的连续流。
控制器算法描述如下：
当有新数据包到达时，第一个OVS交换机将检查是否存在匹配的流表项。如果存在，则将数据包发送到其目的地，否则将其发送到控制器。
控制器接收到数据包并计算出到达目的地的最短路径。如果源主机和目标主机连接到同一OVS交换机，我们将得到长度等于1的路径。否则，将调用更多的交换机。如果路径长度大于2，则控制器将按照中间交换机，目标交换机和源交换机的固定顺序配置流，以确保添加源流时完全配置流路径。如果路径长度等于2，则仅涉及两个OVS交换机，会首先在目标交换机中，其次在源交换机中进行配置。
网络分类器在每个测试中分别接收3、5或7个参数以预测CoS，并返回队列ID。能够分类的数据包在默认队列中将以较低优先级处理( 队列ID 9）。
控制器将队列ID与输出端口相关联，作为流条目中的操作。此外，它在将流插入源交换机之前检查是否已满足阈值条件（1、3、5或7个数据包）。如果数据包数量少于阈值要求，则不会在OVS交换表中添加该流。不过，系统会尽力将数据包成功发送到目的地。在这种情况下，系统能够保证不仅Mouse flow可以随时到达目的地，而且可以更好地预测Elephant flow。
最后，将流添加到该特定数据路径的每个OVS交换机的流表中。交换机可以接收相同流的新数据包，并通过特定处理将其路由到目的地。
本发明的有益效果在于：
创新性地在分类器中应用了3种机器学习方法，可使用3、5和7三种参数对流量进行分类。实验结果表明，该算法在多种参数配置下均能有效执行，并能够达到98.83％的准确度，全面优于现有模型。此外，我们提出了一种新的AAA算法，结合上述的使用机器学习方法分类器能够将整体准确度再提高0.5％至5％。
实现了针对Ryu平台的新控制器算法。控制器算法可以实时处理阈值（TH）为1、3、5和7数据包的TCP和UDP流量。该算法还能够有效地处理Mouse flow和Elephant flow。我们的仿真结果表明，控制器的平均处理时间（对流量进行分类和排队的时间）小于10微秒。
上述创新技术可以轻松地部署在基于ryu的控制器中，包括能够在申请号为201911224233.9的专利、基于Docker的网络应用中进行实施。
附图说明
图1为AAA算法流程图。
图2为控制器算法流程图。
具体实施方式
1.这一算法可以在基于Docker的云应用网络自动化部署中使用。
2.为了实现这些算法，首先需要使用不同数量的流参数作为输入来训练具有如下配置的机器学习（决策树，随机森林，k近邻）模型。
首先，训练一些传统的机器学习算法，包括决策树，随机森林和K近邻。决策树是一种流行的无监督机器学习技术。它遵循树形结构，其中叶节点是类标签，其他未标记的节点是要素。由于其简单性和高性能决策树在类似情景下被广泛使用。CART [2]，ID3 [3]和C4.5 [4]是最常用的决策树算法。其中C4.5算法在统计数据上表现最好。因此，选择具有4个随机状态的决策树算法，。这个决策树算法的准确性与先前工作的准确性持平，达到了98.63％[表I]，但是它倾向于过度拟合某些类别。所以，使用了由许多决策树组成的随机森林。
在构建树时，随机森林算法会随机获取训练数据点的样本。为了分割节点，算法会构造特征的随机子集。在训练模型时，将随机森林的深度固定为15，将随机状态的深度固定为2，以减少过拟合。总体来说，随机森林的准确性为98.83％[表I]。
但是，随机森林对视频和批量数据的准确性要比其他算法低。因此，在这类工作中采用k近邻算法（设定参数为“K=3,n_neighbours=3，Leaf_size=10，weight=distance）。k近邻算法是一种用于基于未分类数据的最近邻对样本数据进行分类的算法。通过尝试不同的k值，得出的结论是当k的值取k = 3时可获得最佳的结果。与决策树和随机森林相比，k最近邻模型的整体准确性略低（96.67％）[表I]。然而，对于视频数据，k近邻的准确度要比其他模型高得多。
通过分析上述算法的分析结果，可以看到没有一种机器学习算法能够在所有类别都取得最好的结果。与决策树和K近邻相比，随机森林可以更好地对信号，VoIP，事务和默认类进行分类。同样，对于视频数据而言，KNN具有最好的效果。而决策树在批量数据，OAM，清除程序数据，控制信号和关键信号方面表现最佳。因此，针对性地提出算法1，该算法为每个类别找到最佳模型并据此预测类别。
令i为分类器，m为类别数
Figure 616538DEST_PATH_IMAGE003
为预训练的分类器集合,
Figure 766897DEST_PATH_IMAGE003
= {
Figure 299510DEST_PATH_IMAGE004
. 令fi(x) =
Figure 701672DEST_PATH_IMAGE003
.则Yi = arg maxx {f1(x),f2(x),… ,fm(x)}. Yj是对于每一个类 Y1, Y2,…,Yj.最佳的分类器。所提出的算法1结合了预训练的模型，并为每个类找到了最佳模型，从而显着提高了测试的准确性。最后，使用预训练的分类器和AAA算法，创建了DNC并用作控制器的QoS API；如图1所示。
表I显示了针对不同数量参数的机器学习模型的估计准确性
Figure DEST_PATH_IMAGE006A
。
3.下一项任务是实现控制器算法。要运行控制器算法，该处选择基于Docker容器的虚拟网络。创建网络后，需要首先用提出的算法替换默认的控制器算法，其次需要导入机器学习模型的所有必需的库和文件。
4.接下来，运行带有首选参数的控制器算法脚本。控制器算法支持两种类型的输入参数：1）机器学习模型的名称/类型（决策树，随机森林，k近邻，DNC）和2）分类之前要得到的数据包数量（1、3、5、7 个数据包）。值得一提的是，这一控制器算法脚本也可以在具有控制器的任何实际网络中使用。
当一个用户向另一个用户发送流量时，它首先转到最近的交换机。交换机检查该流是否在流表中。如果不是，则转到控制器。然后控制器检查该流是否属于先前的流。如果它属于先前存储的流，则增加计数器的值，直到计数器达到分类前要捕获的数据包数为止。之后将首先启动分类任务，其次分配队列优先级，并将信息发送到所有交换机。流信息将记录在网络的所有交换机中。另一方面，如果该流不属于先前存储的流，则将其记录为新流并继续直到计数器达到分类前要捕获的数据包数。而如果在交换机中找到了信息流，则该信息流将无需去往控制器，它将遵循先前的说明并到达目的地。

Claims (6)

1.一种基于动态网络流的控制器调度与服务类型分配的方法，其特征在于：分别训练决策树模型、随机森林模型、K近邻模型；其中训练集和测试集分别为数据集的70%和30%；并且为每一类构建了最恰合前述训练模型的分类器，使网络流分类准确率达到98.96%。
2. 根据权利要求1所述的基于动态网络流的控制器调度与服务类型分配的方法，其特征在于，训练的决策树模型，设定随机状态(random state）为4，最后获得总体98.6%的准确率。
3.根据权利要求1所述的基于动态网络流的控制器调度与服务类型分配的方法，其特征在于，训练的随机森林模型，设定参数为n_estimators=15、random_state=2、max_depth=15，最后获得总体98.8%的准确率。
4.根据权利要求1所述的基于动态网络流的控制器调度与服务类型分配的方法，其特征在于，训练的K近邻模型，设定参数为“K=3,n_neighbours=3，Leaf_size=10，weight=distance”，最后获得总体96.6%的准确率。
5.根据权利要求2-4任一项所述的基于动态网络流的控制器调度与服务类型分配的方法，其特征在于，执行算法1即AAA算法，该算法结合了预训练模型并且对每一类给出最有可能的结果；总体来说，获得比每个预训练模型都高0.5%-5%的准确率。
6.一种基于RYU控制器的算法，它以IPv4数据包作为输入并以数据包目的地和数据包优先级队列作为输出；该算法适用于TCP协议以及UDP协议，其特征在于：
当有新数据包到达，第一个ovs交换机检查是否存在匹配的流表项（flow entry），如果存在，这个数据包将被直接发送到对应的目的地，否则将被发送到控制器；控制器收到数据包后计算到达目的地的最短路径；如果源主机和目的主机连接在同一个ovs交换机，路径则为1，否则将调用更多的交换机；如果路径长度大于2，则控制器将按照中间交换机，目标交换机和源交换机的固定顺序配置流，以确保添加源流时完全配置流路径；如果路径长度等于2，将只涉及两个交换机，首先在目的交换机进行配置，然后在源交换机中进行配置；
控制器会把队列ID与在流表项中作为操作指令的输出端口关联起来；并且在插入流到源交换机之前检验阈值条件满足，如1，3，5或者7个数据包；如果数据包少于要求的阈值，这个流将不会被添加到ovs交换机流表；然而，数据包还是会成功的通过最有效的处理方式发送到它的目的地；最后流被添加到每一个ovs交换机的流表中；来自相同流的新数据包可以被交换机收到然后通过相应的特殊处理发送到目的地。
CN202010647505.2A 2020-07-07 2020-07-07 动态网络流控制器调度与服务类型分配方法 Active CN111814986B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010647505.2A CN111814986B (zh) 2020-07-07 2020-07-07 动态网络流控制器调度与服务类型分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010647505.2A CN111814986B (zh) 2020-07-07 2020-07-07 动态网络流控制器调度与服务类型分配方法

Publications (2)

Publication Number Publication Date
CN111814986A true CN111814986A (zh) 2020-10-23
CN111814986B CN111814986B (zh) 2024-02-20

Family

ID=72842083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010647505.2A Active CN111814986B (zh) 2020-07-07 2020-07-07 动态网络流控制器调度与服务类型分配方法

Country Status (1)

Country Link
CN (1) CN111814986B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114422620A (zh) * 2021-12-20 2022-04-29 鹏城实验室 一种基于知识蒸馏的数据包分类方法及相关装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778622A (zh) * 2015-04-29 2015-07-15 清华大学 Tps交易事件阈值的预测方法及预测系统
CN108846259A (zh) * 2018-04-26 2018-11-20 河南师范大学 一种基于聚类和随机森林算法的基因分类方法及系统
CN109167798A (zh) * 2018-11-01 2019-01-08 四川长虹电器股份有限公司 一种基于机器学习的家用物联网设备DDoS检测方法
CN110162014A (zh) * 2019-05-29 2019-08-23 上海理工大学 一种集成多种智能算法的制冷系统故障诊断方法
CN110659669A (zh) * 2019-08-26 2020-01-07 中国科学院信息工程研究所 一种基于加密摄像头视频流量模式变化的用户行为识别方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778622A (zh) * 2015-04-29 2015-07-15 清华大学 Tps交易事件阈值的预测方法及预测系统
CN108846259A (zh) * 2018-04-26 2018-11-20 河南师范大学 一种基于聚类和随机森林算法的基因分类方法及系统
CN109167798A (zh) * 2018-11-01 2019-01-08 四川长虹电器股份有限公司 一种基于机器学习的家用物联网设备DDoS检测方法
CN110162014A (zh) * 2019-05-29 2019-08-23 上海理工大学 一种集成多种智能算法的制冷系统故障诊断方法
CN110659669A (zh) * 2019-08-26 2020-01-07 中国科学院信息工程研究所 一种基于加密摄像头视频流量模式变化的用户行为识别方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114422620A (zh) * 2021-12-20 2022-04-29 鹏城实验室 一种基于知识蒸馏的数据包分类方法及相关装置
CN114422620B (zh) * 2021-12-20 2023-12-01 鹏城实验室 一种基于知识蒸馏的数据包分类方法及相关装置

Also Published As

Publication number Publication date
CN111814986B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
Yamansavascilar et al. Application identification via network traffic classification
US20210409317A1 (en) Methods and systems for directing traffic flows based on traffic flow classifications
CN108881028B (zh) 基于深度学习实现应用感知的sdn网络资源调度方法
EP2544417A1 (en) Communication system, path control apparatus, packet forwarding apparatus and path control method
Hullár et al. Early identification of peer-to-peer traffic
CN112949739A (zh) 一种基于智能流量分类的信息传输调度方法及系统
Owusu et al. An intelligent traffic classification in sdn-iot: A machine learning approach
CN112261021B (zh) 软件定义物联网下DDoS攻击检测方法
Mai et al. In-network intelligence control: Toward a self-driving networking architecture
Le et al. Applying big data, machine learning, and SDN/NFV for 5G early-stage traffic classification and network QoS control
Amaral et al. Application aware SDN architecture using semi-supervised traffic classification
CN111814986B (zh) 动态网络流控制器调度与服务类型分配方法
Wijesinghe et al. Botnet detection using software defined networking
Kim et al. A comparison experiment of binary classification for detecting the gtp encapsulated iot ddos traffics in 5g network
Xie et al. Soter: Deep learning enhanced in-network attack detection based on programmable switches
Akem et al. Encrypted Traffic Classification at Line Rate in Programmable Switches with Machine Learning
Saritha Reddy et al. An improved intrusion detection system for SDN using multi-stage optimized deep forest classifier
Yang et al. Achieving robust performance for traffic classification using ensemble learning in SDN networks
Kądziołka et al. Elephant Flow Classification on the First Packet with Neural Networks
Aun et al. A review on features' robustness in high diversity mobile traffic classifications
Gomez et al. Efficient network telemetry based on traffic awareness
Khcdkar et al. Identification of Network Traffic over IOT Platforms.
Song et al. A survey of application of artificial intelligence methods in SDN
Meghdouri et al. Anomaly Detection for Mixed Packet Sequences
Koksal et al. Markov model based traffic classification with multiple features

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