CN111818096B - 网络协议解析方法和装置 - Google Patents
网络协议解析方法和装置 Download PDFInfo
- Publication number
- CN111818096B CN111818096B CN202010891624.2A CN202010891624A CN111818096B CN 111818096 B CN111818096 B CN 111818096B CN 202010891624 A CN202010891624 A CN 202010891624A CN 111818096 B CN111818096 B CN 111818096B
- Authority
- CN
- China
- Prior art keywords
- sample
- machine learning
- target
- model
- learning model
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 108
- 238000010801 machine learning Methods 0.000 claims abstract description 162
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 105
- 238000012545 processing Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 238000013461 design Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- H04L69/22—Parsing or analysis of headers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及网络协议解析方法和装置，该方法包括：利用至少两个样本网络协议的样本报文头对第一机器学习模型进行训练；通过训练后的第一机器学习模型输出每个样本网络协议的样本特征模型；利用每个样本特征模型对第二机器学习模型进行训练；通过训练后的第二机器学习模型输出每个样本网络协议的解析插件；还包括：接收待解析数据包并提取目标报文头；通过训练后的第一机器学习模型输出目标报文头对应的目标特征模型；判断是否存在与目标特征模型匹配的样本特征模型，如果存在，则利用匹配到的样本特征模型对应的解析插件对待解析数据包进行解析；否则利用目标特征模型所对应的目标解析插件解析待解析数据包。本方案能够提高网络协议解析的通用性。
Description
技术领域
本发明涉及通信技术领域，尤其涉及网络协议解析方法和装置。
背景技术
网络协议为计算机网络中进行数据交换而建立的规则、标准或约定的集合，是计算机网络中互相通信的对等实体之间交换信息时所必须遵守的规则的集合。网络协议通常包括由行业内某个组织或者机构定义的标准协议以及由通信双方制定的应用层协议。
目前，为了对不同的网络协议的数据包进行解析，需要针对不同的网络协议开发不同的解析应用。由于网络协议较多，实现所有网络协议的解析应用会非常复杂。
因此，针对以上不足，需要提供更加方便地对不同的网络协议进行解析的方案。
发明内容
本发明要解决的技术问题在于网络协议解析方法的通用性比较差，针对现有技术中的缺陷，提供网络协议解析方法和装置。
为了解决上述技术问题，第一方面，本发明提供了一种网络协议解析方法，包括：
利用至少两个样本网络协议的样本报文头对第一机器学习模型进行训练，其中，所述第一机器学习模型的输入为不同的网络协议的报文头，输出为网络协议的特征模型；
将所述至少两个样本网络协议的样本报文头输入到训练后的所述第一机器学习模型，通过训练后的所述第一机器学习模型，输出每个所述样本网络协议的样本特征模型；
利用每个所述样本特征模型对第二机器学习模型进行训练，其中，所述第二机器学习模型的输入为特征模型，输出为网络协议的解析插件；
将每个所述样本特征模型输入到训练后的所述第二机器学习模型，通过训练后的所述第二机器学习模型，输出每个所述样本网络协议的解析插件；
还包括：
接收待解析数据包；
提取所述待解析数据包的目标报文头；
将所述目标报文头和至少一个所述样本报文头输入到训练后的所述第一机器学习模型，通过训练后的所述第一机器学习模型输出所述目标报文头对应的目标特征模型；
判断是否存在与所述目标特征模型相匹配的样本特征模型，
如果存在，则利用匹配到的样本特征模型对应的解析插件对所述待解析数据包进行解析；
如果不存在，则将所述目标特征模型输入到训练后的所述第二机器学习模型，通过训练后的所述第二机器学习模型输出目标解析插件，利用所述目标解析插件解析所述待解析数据包。
在一种可能的设计中，所述通过训练后的所述第一机器学习模型输出所述目标报文头对应的目标特征模型，包括：
针对输入到训练后的所述第一机器学习模型的每个报文头，均执行：
利用所述第一机器学习模型解析当前报文头中的字段的排列顺序和每个字段的长度，根据每个字段的长度和所述排列顺序，生成当前报文头对应的特征矩阵，其中，所述报文头包括所述目标报文头和至少一个所述样本报文头；
通过所述第一机器学习模型，对所述目标报文头的特征矩阵和每个所述样本报文头的特征矩阵进行处理，生成所述目标特征模型。
在一种可能的设计中，所述根据每个字段的长度和所述排列顺序，生成当前报文头对应的特征矩阵，包括：
针对当前报文头的每个字段，均执行：
确定当前字段在所述排列顺序中的位置i；
确定当前字段的长度j；
将预设矩阵中的a ij设置为当前字段对应的元素，将a ij设置为1，其中，a ij为所述预设矩阵的第i行第j列的元素；
将所述预设矩阵的第i行中a ij之外的元素设置为0；
获得当前报文头对应的特征矩阵。
在一种可能的设计中，所述对所述目标报文头的特征矩阵和每个所述样本报文头的特征矩阵进行处理，生成所述目标特征模型，包括：
根据所述目标报文头的特征矩阵、每个所述样本报文头的特征矩阵和第一式子，生成所述目标特征模型，其中，第一式子为：
其中，C为所述目标特征模型，A为所述目标报文头的特征矩阵，k为所述样本报文头的特征矩阵的数量，Bt为第t个所述样本报文头的特征矩阵。
在一种可能的设计中，进一步包括：
预先设置解析插件代码模板，其中，所述解析插件代码模板中包括多个可调参数。
在一种可能的设计中，所述通过训练后的所述第二机器学习模型输出目标解析插件，包括：
通过训练后的所述第二机器学习模型对所述目标特征模型进行处理，生成所述多个可调参数的目标值，将所述目标值赋值给所述解析插件代码模板中对应的可调参数，输出所述目标解析插件。
第二方面，本发明还提供了一种网络协议解析装置，包括：第一输出单元、第二输出单元、生成单元和判断单元；
所述第一输出单元，用于利用至少两个样本网络协议的样本报文头对第一机器学习模型进行训练，并将所述至少两个样本网络协议的样本报文头输入到训练后的所述第一机器学习模型，通过训练后的所述第一机器学习模型，输出每个所述样本网络协议的样本特征模型，其中，所述第一机器学习模型的输入为不同的网络协议的报文头，输出为网络协议的特征模型；
所述第二输出单元，用于利用每个所述样本特征模型对第二机器学习模型进行训练，并将每个所述样本特征模型输入到训练后的所述第二机器学习模型，通过训练后的所述第二机器学习模型，输出每个所述样本网络协议的解析插件，其中，所述第二机器学习模型的输入为特征模型，输出为网络协议的解析插件；
所述生成单元，用于接收待解析数据包并提取所述待解析数据包的目标报文头，以及将所述目标报文头和至少一个所述样本报文头输入到训练后的所述第一机器学习模型，通过训练后的所述第一机器学习模型输出所述目标报文头对应的目标特征模型；
所述判断单元，用于判断是否存在与所述目标特征模型相匹配的样本特征模型；
所述判断单元，还用于判断结果，如果存在与所述目标特征模型相匹配的样本特征模型，则利用匹配到的样本特征模型对应的解析插件对所述待解析数据包进行解析，否则将所述目标特征模型输入到训练后的所述第二机器学习模型，通过训练后的所述第二机器学习模型输出目标解析插件，利用所述目标解析插件解析所述待解析数据包。
在一种可能的设计中，
所述生成单元，用于针对输入到训练后的所述第一机器学习模型的每个报文头，均执行：
利用所述第一机器学习模型解析当前报文头中的字段的排列顺序和每个字段的长度，根据每个字段的长度和所述排列顺序，生成当前报文头对应的特征矩阵，其中，所述报文头包括所述目标报文头和至少一个所述样本报文头；
通过所述第一机器学习模型，对所述目标报文头的特征矩阵和每个所述样本报文头的特征矩阵进行处理，生成所述目标特征模型。
在一种可能的设计中，
所述生成单元，用于针对当前报文头的每个字段，均执行：
确定当前字段在所述排列顺序中的位置i；
确定当前字段的长度j；
将预设矩阵中的a ij设置为当前字段对应的元素，将a ij设置为1，其中，a ij为所述预设矩阵的第i行第j列的元素；
将所述预设矩阵的第i行中a ij之外的元素设置为0；
获得当前报文头对应的特征矩阵。
在一种可能的设计中，
所述生成单元，用于根据所述目标报文头的特征矩阵、每个所述样本报文头的特征矩阵和第一式子，生成所述目标特征模型，其中，第一式子为：
其中，C为所述目标特征模型，A为所述目标报文头的特征矩阵，k为所述样本报文头的特征矩阵的数量，Bt为第t个所述样本报文头的特征矩阵。
在一种可能的设计中，
所述第二输出单元，还用于预先设置解析插件代码模板，其中，所述解析插件代码模板中包括多个可调参数。
在一种可能的设计中，
所述判断单元，用于通过训练后的所述第二机器学习模型对所述目标特征模型进行处理，生成所述多个可调参数的目标值，将所述目标值赋值给所述解析插件代码模板中对应的可调参数，输出所述目标解析插件。
第三方面，本发明还提供了一种智能设备，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行第一方面中任一所述的网络协议解析方法。
第四方面，本发明还提供了一种计算机可读介质，
所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行第一方面中任一所述的网络协议解析方法。
由以上技术可知，本发明实施例提供的网络协议解析方法通过训练后的第一机器学习模型和训练后的第二机器学习模型分别输出每一个样本网络协议的样本特征模型和所对应的解析插件，在接收到待解析数据包后，将该待解析数据包的目标报文头和至少一个样本报文头输入到训练后的第一机器学习模型，输出与该目标报文头相对应的目标特征模型，并通过判断结果，如果多个样本特征模型中存在与该目标特征模型相匹配的样本特征模型，则利用该样本特征模型所对应的解析插件进行解析，否则，通过训练后的第二机器学习模型输出该样本特征模型对应的目标解析插件进行解析。综上可知，即使待解析数据包为新网络协议时也可对其进行解析，不需要针对该新网络协议开发新的解析应用，从而更加方便地对不同的网络协议进行解析，因此，提高了网络协议解析的通用性。
附图说明
为了更清楚地说明本发明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，下面描述中的附图是本发明的一些实施例，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是本发明一个实施例提供的一种网络协议解析方法的流程图；
图2是本发明一个实施例提供的一种网络协议解析装置所在设备的示意图；
图3是本发明一个实施例提供的一种网络协议解析装置的示意图；
图4是本发明一个实施例提供的又一种网络协议解析方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种网络协议解析方法，该方法可以包括如下步骤：
步骤101：利用至少两个样本网络协议的样本报文头对第一机器学习模型进行训练；
步骤102：将至少两个样本网络协议的样本报文头输入到训练后的第一机器学习模型，通过训练后的第一机器学习模型，输出每个样本网络协议的样本特征模型；
步骤103：利用每个样本特征模型对第二机器学习模型进行训练；
步骤104：将每个样本特征模型输入到训练后的第二机器学习模型，通过训练后的第二机器学习模型，输出每个样本网络协议的解析插件；
步骤105：接收待解析数据包，并提取待解析数据包的目标报文头；
步骤106：将目标报文头和至少一个样本报文头输入到训练后的第一机器学习模型，通过训练后的第一机器学习模型输出目标报文头对应的目标特征模型；
步骤107：判断是否存在与目标特征模型相匹配的样本特征模型，如果是，执行步骤108，否则执行步骤109；
步骤108：利用匹配到的样本特征模型对应的解析插件对待解析数据包进行解析，结束当前流程；
步骤109：将目标特征模型输入到训练后的第二机器学习模型，通过训练后的第二机器学习模型输出目标解析插件，利用目标解析插件解析待解析数据包。
在本发明实施例中，本发明实施例提供的网络协议解析方法通过训练后的第一机器学习模型和训练后的第二机器学习模型分别输出每一个样本网络协议的样本特征模型和所对应的解析插件，在接收到待解析数据包后，将该待解析数据包的目标报文头和至少一个样本报文头输入到训练后的第一机器学习模型，输出与该目标报文头相对应的目标特征模型，并通过判断结果，如果多个样本特征模型中存在与该目标特征模型相匹配的样本特征模型，则利用该样本特征模型所对应的解析插件进行解析，否则，通过训练后的第二机器学习模型输出该样本特征模型对应的目标解析插件进行解析。综上可知，即使待解析数据包为新网络协议时也可对其进行解析，不需要针对该新网络协议开发新的解析应用，从而更加方便地对不同的网络协议进行解析，因此，提高了网络协议解析的通用性。
需要说明的是，在本发明实施例中，与目标特征模型相匹配的样本特征模型例如可以是与该目标特征模型完全相同的样本特征模型，也可以是与该样本特征模型相似度在一个预先设置好的阈值范围内的样本特征模型。
需要说明的是，在本发明实施例中，用于对第一机器学习模型进行训练的多个样本网络协议的样本报文头是根据由目前行业内某个组织或者机构定义的标准协议或者由通信双方制定的应用层协议得到的。但是，随着网络通信技术的发展和需要，越来越多的网络协议，即越来越多的新网络协议被定义生成。
另外需要说明的是，在本发明实施例中，用于对第一机器学习模型进行训练的多个样本网络协议的样本报文头被存储在预先创建好的样本数据库中。并且，除了现有存储的对第一机器学习模型进行训练的样本网络协议，其余被收集到的作为样本网络协议的网络协议均被标记为新协议，也就是说，未经训练后的第一机器学习模型和训练后的第二机器学习模型分别输出样本特征模型和所对对应的解析插件的网络协议均被标记为新网络协议。新网络协议作为样本网络协议一直被收集，并且新协议的报文头作为样本报文头被存储在预先创建好的样本数据库中。
可以理解的是，在本发明实施例中，将训练后的第一机器学习模型输出的样本特征模型和由训练后的第二机器学习模型输出的解析插件存储在预先创建的模型数据库中。并且当待解析数据包为新协议时，也需要将待解析数据包所对应的目标特征模型和目标解析插件存储在该模型数据库中。如此设置可使模型数据库及时地更新，从而使得该数据模型库通用性进一步提高。
需要说明的是，在本发明实施例中，接收待解析数据包例如可以是通过加载离线数据包（例如，pcap、cap和pcapng格式等）的方式实现，也可以直接读取实时网络数据包的方式接入实时数据。如此设置，可以实时地对待解析数据包进行数据解析，从而提高了网络解析的效率。
可以理解的是，在本发明实施例中，将具有高度可扩展性的插件与第一机器学习模型和第二机器学习模型相结合，使得网络协议的解析通用性提高，减少了网络协议应用的开发与维护，从而减少了相关人员的工作量，提高了工作效率。此外，本发明实施例提供的网络协议解析方法可以及时地对网络协议进行解析，减少了因协议解析应用解析新协议的不及时性，从而避免了相关数据的丢失，因而提高了数据的安全性。
在本发明的一种实施例中，基于图1所示的网络协议解析方法，在步骤106中，通过训练后的第一机器学习模型输出目标报文头对应的目标特征模型，包括：
针对输入到训练后的第一机器学习模型的每个报文头，均执行：利用第一机器学习模型解析当前报文头中的字段的排列顺序和每个字段的长度，根据每个字段的长度和排列顺序，生成当前报文头对应的特征矩阵，其中，报文头包括目标报文头和至少一个样本报文头；
通过第一机器学习模型，对目标报文头的特征矩阵和每个样本报文头的特征矩阵进行处理，生成目标特征模型。
在本发明实施例中，利用训练后的第一机器学习模型按照报文头中每个字段的排列顺序和长度，分别生成目标报文头和每个样本报文头的特征矩阵，并最终生成目标特征模型。
在本发明的一种实施例中，基于图1所示的网络协议解析方法，在步骤106中，根据每个字段的长度和排列顺序，生成当前报文头对应的特征矩阵，包括：
针对当前报文头的每个字段，均执行：
确定当前字段在排列顺序中的位置i；
确定当前字段的长度j；
将预设矩阵中的a ij设置为当前字段对应的元素，将a ij设置为1，其中，a ij为预设矩阵的第i行第j列的元素；
将预设矩阵的第i行中a ij之外的元素设置为0；
获得当前报文头对应的特征矩阵。
在本发明实施例中，按照当前字段的排列顺序i和字段长度j，将预设矩阵中a ij设置为当前字段对应的元素并置为1，将第i行除a ij之外的元素设置为0，从而得到当前报文头对应的特征矩阵。
在本发明的一种实施例中，基于图1所示的网络协议解析方法，在步骤106中，对目标报文头的特征矩阵和每个样本报文头的特征矩阵进行处理，生成目标特征模型，包括：
根据目标报文头的特征矩阵、每个样本报文头的特征矩阵和第一式子，生成目标特征模型，其中，第一式子为：
其中，C为目标特征模型，A为目标报文头的特征矩阵，k为样本报文头的特征矩阵的数量，Bt为第t个样本报文头的特征矩阵。
在本发明实施例中，根据第一式子，将目标报文头的特征矩阵、每个样本报文头的特征矩阵处理生成目标特征模型。
需要说明的是，在本发明实施例中，对第一机器学习模型和第二机器学习模型的训练过程还包括：对样本数据（至少两个样本网络协议的样本报文头和每个样本特征模型）进行数据预处理、数据清洗以及筛选显著特征和摒弃非显著特征等过程，最终获取到用于训练的数据。此外，对第一机器学习模型和第二机器学习模型的训练过程还包括分别对第一机器学习模型和第二机器学习模型进行优化，包括模型诊断、模型验证以及模型融合，以提高第一机器学习模型和第二机器学习模型的性能，从而使得由第一机器学习模型输出的样本特征模型和由第二机器学习模型输出的解析插件更加准确，减小误差。
另外需要说明的是，在本发明实施例中，利用训练后的第一机器学习模型输出目标报文头对应的目标特征模型的过程与通过训练后的第一机器学习模型输出每个样本网络协议的样本特征模型的过程相同，在此不再一一赘述。
在本发明的一种实施例中，基于图1所示的网络协议解析方法，在步骤101利用至少两个样本网络协议的样本报文头对第一机器学习模型进行训练之前，进一步包括：
预先设置解析插件代码模板，其中，解析插件代码模板中包括多个可调参数。
在本发明实施例中，预先设置包含多个可调参数的解析插件代码模板，可以使后续利用多个样本特征模型对多个参数进行调整，从而可以使输出的目标解析插件更加准确。
在本发明的一种实施例中，基于图1所示的网络协议解析方法，在步骤109中，通过训练后的第二机器学习模型输出目标解析插件，包括：
通过训练后的第二机器学习模型对目标特征模型进行处理，生成多个可调参数的目标值，将目标值赋值给解析插件代码模板中对应的可调参数，输出目标解析插件。
在本发明实施例中，利用训练后的第二机器学习模型对目标特征模型进行处理生成多个可调参数的目标值后，将可调参数的目标值赋值给解析插件代码模板中的各个可调参数，可以生成与该目标解析插件相对应的目标解析插件。
需要说明的是，在本发明实施例中，采用具有可扩展性的插件对网络协议进行解析，只需要启用针对网络协议的解析插件即可对网络协议进行解析，可实现即开即用，具有高度的稳定性，从而避免了数据的丢失。
在本发明实施例中，本发明提供的网络协议解析方法结合了特征模型库中样本特征模型和样本数据库中的新协议，当出现新协议时，只需要通过第一机器学习模型生成目标特征模型并且通过第二机器学习模型输出相对应的目标解析插件即可对该新协议进行解析，从而可以快速、及时地对新协议进行解析，不需要针对该新协议开发新的协议解析应用，从而能够在第一时间获取新协议的相关数据,避免获取重要数据的延迟性。此外，本发明提供的网络协议解析方法具有自动学习的特性，减少了相关人员的工作量。
如图2、图3所示，本发明实施例提供了一种网络协议解析装置。网络协议解析装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的网络协议解析装置所在设备的一种硬件结构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在设备的CPU将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。
如图3所示，本发明实施例提供了一种网络协议解析装置，包括：第一输出单元301、第二输出单元302、生成单元303和判断单元304；
第一输出单元301，用于利用至少两个样本网络协议的样本报文头对第一机器学习模型进行训练，并将至少两个样本网络协议的样本报文头输入到训练后的第一机器学习模型，通过训练后的第一机器学习模型，输出每个样本网络协议的样本特征模型，其中，第一机器学习模型的输入为不同的网络协议的报文头，输出为网络协议的特征模型；
第二输出单元302，用于利用每个样本特征模型对第二机器学习模型进行训练，并将每个样本特征模型输入到训练后的第二机器学习模型，通过训练后的第二机器学习模型，输出每个样本网络协议的解析插件，其中，第二机器学习模型的输入为特征模型，输出为网络协议的解析插件；
生成单元303，用于接收待解析数据包并提取待解析数据包的目标报文头，以及将目标报文头和至少一个样本报文头输入到训练后的第一机器学习模型，通过训练后的第一机器学习模型输出目标报文头对应的目标特征模型；
判断单元304，用于判断是否存在与目标特征模型相匹配的样本特征模型；
判断单元304，还用于判断结果，如果存在与目标特征模型相匹配的样本特征模型，则利用匹配到的样本特征模型对应的解析插件对待解析数据包进行解析，否则将目标特征模型输入到训练后的第二机器学习模型，通过训练后的第二机器学习模型输出目标解析插件，利用目标解析插件解析待解析数据包。
在本发明的一种实施例中，基于图3所示的网络协议解析装置，
生成单元303，用于针对输入到训练后的第一机器学习模型的每个报文头，均执行：
利用第一机器学习模型解析当前报文头中的字段的排列顺序和每个字段的长度，根据每个字段的长度和排列顺序，生成当前报文头对应的特征矩阵，其中，报文头包括目标报文头和至少一个样本报文头；
通过第一机器学习模型，对目标报文头的特征矩阵和每个样本报文头的特征矩阵进行处理，生成目标特征模型。
在本发明的一种实施例中，基于图3所示的网络协议解析装置，
生成单元303，用于针对当前报文头的每个字段，均执行：
确定当前字段在排列顺序中的位置i；
确定当前字段的长度j；
将预设矩阵中的a ij设置为当前字段对应的元素，将a ij设置为1，其中，a ij为预设矩阵的第i行第j列的元素；
将预设矩阵的第i行中a ij之外的元素设置为0；
获得当前报文头对应的特征矩阵。
在本发明的一种实施例中，基于图3所示的网络协议解析装置，
生成单元303，用于根据目标报文头的特征矩阵、每个样本报文头的特征矩阵和第一式子，生成目标特征模型，其中，第一式子为：
其中，C为目标特征模型，A为目标报文头的特征矩阵，k为样本报文头的特征矩阵的数量，Bt为第t个样本报文头的特征矩阵。
在本发明的一种实施例中，基于图3所示的网络协议解析装置，
第二输出单元302，还用于预先设置解析插件代码模板，其中，解析插件代码模板中包括多个可调参数。
在本发明的一种实施例中，基于图3所示的网络协议解析装置，
判断单元304，用于通过训练后的第二机器学习模型对目标特征模型进行处理，生成多个可调参数的目标值，将目标值赋值给解析插件代码模板中对应的可调参数，输出目标解析插件。
需要说明的是，本发明实施例示意的结构并不构成对网络协议解析装置的具体限定。在本发明的另一些实施例中，该网络协议解析装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
为了使本发明实施例提供的网络协议解析方法更加清楚，下面结合具体例子对本发明实施例提供的网络协议解析方法作进一步详细说明，如图4所示，该方法可以包括如下步骤：
步骤400：设置解析插件代码模板。
在本发明实施例中，预先设置的解析插件代码模板中包含有多个可调的参数，以针对不同的样本特征模型调整参数。
步骤401：对第一机器学习模型进行训练，得到训练后的第一机器学习模型。
在本步骤中，利用预先存储在样本数据库中的至少两个样本网络协议的样本报文头对第一机器学习进行训练，得到训练后的第一机器学习模型。
步骤402：利用训练后的第一机器学习模型输出每个样本网络协议的样本特征模型。
在本步骤中，将至少两个样本网络协议的样本报文头输入到训练后的第一机器学习模型，通过训练后的第一机器学习模型，输出每个样本网络协议的样本特征模型。
具体地，针对当前样本报文头的每个字段，均执行：
确定当前字段在所述排列顺序中的位置i；
确定当前字段的长度j；
将预设矩阵中的a ij设置为当前字段对应的元素，将a ij设置为1，其中，a ij为所述预设矩阵的第i行第j列的元素；
将所述预设矩阵的第i行中a ij之外的元素设置为0；
获得当前样本报文头对应的特征矩阵；
根据当前样本报文头的特征矩阵、每个其他的样本报文头的特征矩阵和第一式子，生成当前样本报文头的样本特征模型，其中，第一式子为：
其中，C为当前样本报文头的样本特征模型，A为当前样本报文头的特征矩阵，k为其他的样本报文头的特征矩阵的数量，Bt为第t个其他的样本报文头的特征矩阵。
步骤403：对第二机器学习模型进行训练，得到训练后的第二机器学习模型。
在本步骤中，利用每个样本特征模型对第二机器学习模型进行训练，得到训练后的第二机器学习模型。
步骤404：利用训练后的第二机器学习模型，输出每个样本特征模型的解析插件。
具体地，通过训练后的第二机器学习模型对当前的样本特征模型进行处理，生成解析插件代码模板中的多个可调参数的目标值，将该目标值赋值给解析插件代码模板中对应的可调参数，输出当前的样本特征模型对应的样本网络协议的解析插件。
步骤405：分别将每一个网络协议的样本特征模型和所对应的解析插件存储在预先创建好的模型数据库中。
在本步骤中，将每个样本特征模型输入到训练后的第二机器学习模型中，通过训练后的第二机器学习模型输出每个样本网络协议的解析插件，其中，每一个样本特征模型对应有一个不同的解析插件。
步骤406：接收待解析数据包，并提取待解析数据包的目标报文头。
在本步骤中，所接收的待解析数据包的离线数据包格式可以包括pcap、cap和pcapng等格式，待解析数据包也可以是通过读取实时网络数据包而得到实时数据。
步骤407：将目标报文头和至少一个样本报文头输入到训练后的第一机器学习模型。
步骤408：获得当前报文头对应的特征矩阵。
在本步骤中，针对输入到训练后的第一机器学习模型的每个报文头，均执行：
步骤S1：确定当前字段在排列顺序中的位置i；
步骤S2：确定当前字段的长度j；
步骤S3：将预设矩阵中的a ij设置为当前字段对应的元素，将a ij设置为1，其中，a ij为预设矩阵的第i行第j列的元素；
步骤S4：将预设矩阵的第i行中a ij之外的元素设置为0。
在本步骤中，确定当前字段在报文头中排列顺序的位置i以及所对应的字段长度j，将预设矩阵中的a ij设置为当前字段对应的元素并将a ij置为1，其余第i行中a ij之外的元素设置为0。
例如，预设矩阵为
，i=2，j=2时，将预设矩阵中a 22置1，其余第二行除a 22的元素均置为0。
步骤409：根据目标报文头的特征矩阵、每个样本报文头的特征矩阵和第一式子，生成目标特征模型，其中，第一式子为：
其中，C为目标特征模型，A为目标报文头的特征矩阵，k为样本报文头的特征矩阵的数量，Bt为第t个样本报文头的特征矩阵。
在本步骤中，将目标报文头的特征矩阵和每一个样本报文头的特征矩阵代入第一式子生成目标特征模型，其中，第一式子为：
其中，C为目标特征模型，A为目标报文头的特征矩阵，k为样本报文头的特征矩阵的数量，Bt为第t个样本报文头的特征矩阵。
步骤410：判断模型数据库中是否存在与目标特征模型相匹配的样本特征模型，如果存在，执行步骤411，否则执行步骤412。
在本发明实施例中，数据模型库中包含有每一样本网络协议所对应的多个样本特征模型，判断模型数据库中是否存在与目标特征模型相匹配的样本特征模型，例如可以是与该目标特征模型完全相同的样本特征模型，也可以是与该样本特征模型相似度在一个预先设置好的阈值范围内的样本特征模型。
步骤411：利用匹配到的样本特征模型对应的解析插件对待解析数据包进行解析，结束当前流程。
在发明实施例中，每一个样本网络协议对应有一个样本特征模型和与该样本特征模型相对应的解析插件。当模型数据库中存在与目标特征模型相匹配的样本特征模型，则直接利用该样本特征模型所对应的解析插件进行解析。
步骤412：生成与目标特征模型相匹配的目标解析插件。
在本步骤中，将目标特征模型输入到训练后的第二机器学习模型，通过训练后的所述第二机器学习模型对所述目标特征模型进行处理，生成多个可调参数的目标值，变将多个目标值赋值给解析插件代码模板中对应的可调参数，输出所述目标解析插件。
步骤413：利用目标解析插件对目标特征模型进行解析。
在本步骤中，生成目标解析插件后，将目标特征模型与该特征模型相对应的目标解析插件存储到模型数据库中。
本发明实施例还提供了智能设备，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行上述任一实施例中所述的网络协议解析方法。
本发明实施例还提供了计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述任一实施例中所述的网络协议解析方法。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘（如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW）、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，上述各流程和各系统结构图中不是所有的步骤和单元都是必须的，可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些单元可能由同一物理实体实现，或者，有些单元可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
以上各实施例中，硬件单元可以通过机械方式或电气方式实现。例如，一个硬件单元可以包括永久性专用的电路或逻辑（如专门的处理器，FPGA或ASIC）来完成相应操作。硬件单元还可以包括可编程逻辑或电路（如通用处理器或其它可编程处理器），可以由软件进行临时的设置以完成相应操作。具体的实现方式（机械方式、或专用的永久性电路、或者临时设置的电路）可以基于成本和时间上的考虑来确定。
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。
最后应说明的是：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 (9)
1.网络协议解析方法，其特征在于，
利用至少两个样本网络协议的样本报文头对第一机器学习模型进行训练，其中，所述第一机器学习模型的输入为不同的网络协议的报文头，输出为网络协议的特征模型；
将所述至少两个样本网络协议的样本报文头输入到训练后的所述第一机器学习模型，通过训练后的所述第一机器学习模型，输出每个所述样本网络协议的样本特征模型；
利用每个所述样本特征模型对第二机器学习模型进行训练，其中，所述第二机器学习模型的输入为特征模型，输出为网络协议的解析插件；
将每个所述样本特征模型输入到训练后的所述第二机器学习模型，通过训练后的所述第二机器学习模型，输出每个所述样本网络协议的解析插件；
还包括：
接收待解析数据包；
提取所述待解析数据包的目标报文头；
将所述目标报文头和至少一个所述样本报文头输入到训练后的所述第一机器学习模型，通过训练后的所述第一机器学习模型输出所述目标报文头对应的目标特征模型；
判断是否存在与所述目标特征模型相匹配的样本特征模型，
如果存在，则利用匹配到的样本特征模型对应的解析插件对所述待解析数据包进行解析；
如果不存在，则将所述目标特征模型输入到训练后的所述第二机器学习模型，通过训练后的所述第二机器学习模型输出目标解析插件，利用所述目标解析插件解析所述待解析数据包；
进一步包括：预先设置解析插件代码模板，其中，所述解析插件代码模板中包括多个可调参数；
所述通过训练后的所述第二机器学习模型输出目标解析插件，包括：通过训练后的所述第二机器学习模型对所述目标特征模型进行处理，生成所述多个可调参数的目标值，将所述目标值赋值给所述解析插件代码模板中对应的可调参数，输出所述目标解析插件。
2.根据权利要求1所述的方法，其特征在于，
所述通过训练后的所述第一机器学习模型输出所述目标报文头对应的目标特征模型，包括：
针对输入到训练后的所述第一机器学习模型的每个报文头，均执行：利用所述第一机器学习模型解析当前报文头中的字段的排列顺序和每个字段的长度，根据每个字段的长度和所述排列顺序，生成当前报文头对应的特征矩阵，其中，所述报文头包括所述目标报文头和至少一个所述样本报文头；
通过所述第一机器学习模型，对所述目标报文头的特征矩阵和每个所述样本报文头的特征矩阵进行处理，生成所述目标特征模型。
3.根据权利要求2所述的方法，其特征在于，
所述根据每个字段的长度和所述排列顺序，生成当前报文头对应的特征矩阵，包括：
针对当前报文头的每个字段，均执行：
确定当前字段在所述排列顺序中的位置i；
确定当前字段的长度j；
将预设矩阵中的a ij设置为当前字段对应的元素，将a ij设置为1，其中，a ij为所述预设矩阵的第i行第j列的元素；
将所述预设矩阵的第i行中a ij之外的元素设置为0；
获得当前报文头对应的特征矩阵。
4.根据权利要求2所述的方法，其特征在于，
所述对所述目标报文头的特征矩阵和每个所述样本报文头的特征矩阵进行处理，生成所述目标特征模型，包括：
根据所述目标报文头的特征矩阵、每个所述样本报文头的特征矩阵和第一式子，生成所述目标特征模型，其中，第一式子为：
其中，C为所述目标特征模型，A为所述目标报文头的特征矩阵，k为所述样本报文头的特征矩阵的数量，Bt为第t个所述样本报文头的特征矩阵。
5.网络协议解析装置，其特征在于，包括：第一输出单元、第二输出单元、生成单元和判断单元；
所述第一输出单元，用于利用至少两个样本网络协议的样本报文头对第一机器学习模型进行训练，并将所述至少两个样本网络协议的样本报文头输入到训练后的所述第一机器学习模型，通过训练后的所述第一机器学习模型，输出每个所述样本网络协议的样本特征模型，其中，所述第一机器学习模型的输入为不同的网络协议的报文头，输出为网络协议的特征模型；
所述第二输出单元，用于利用每个所述样本特征模型对第二机器学习模型进行训练，并将每个所述样本特征模型输入到训练后的所述第二机器学习模型，通过训练后的所述第二机器学习模型，输出每个所述样本网络协议的解析插件，其中，所述第二机器学习模型的输入为特征模型，输出为网络协议的解析插件；
所述生成单元，用于接收待解析数据包并提取所述待解析数据包的目标报文头，以及将所述目标报文头和至少一个所述样本报文头输入到训练后的所述第一机器学习模型，通过训练后的所述第一机器学习模型输出所述目标报文头对应的目标特征模型；
所述判断单元，用于判断是否存在与所述目标特征模型相匹配的样本特征模型；
所述判断单元，还用于判断结果，如果存在与所述目标特征模型相匹配的样本特征模型，则利用匹配到的样本特征模型对应的解析插件对所述待解析数据包进行解析，否则将所述目标特征模型输入到训练后的所述第二机器学习模型，通过训练后的所述第二机器学习模型输出目标解析插件，利用所述目标解析插件解析所述待解析数据包；
所述第二输出单元，还用于预先设置解析插件代码模板，其中，解析插件代码模板中包括多个可调参数；
所述判断单元，还用于通过训练后的第二机器学习模型对目标特征模型进行处理，生成多个可调参数的目标值，将目标值赋值给解析插件代码模板中对应的可调参数，输出目标解析插件。
6.根据权利要求5所述的装置，其特征在于，
所述生成单元，用于针对输入到训练后的所述第一机器学习模型的每个报文头，均执行：
利用所述第一机器学习模型解析当前报文头中的字段的排列顺序和每个字段的长度，根据每个字段的长度和所述排列顺序，生成当前报文头对应的特征矩阵，其中，所述报文头包括所述目标报文头和至少一个所述样本报文头；
通过所述第一机器学习模型，对所述目标报文头的特征矩阵和每个所述样本报文头的特征矩阵进行处理，生成所述目标特征模型。
7.根据权利要求6所述的装置，其特征在于，
所述生成单元，用于针对当前报文头的每个字段，均执行：
确定当前字段在所述排列顺序中的位置i；
确定当前字段的长度j；
将预设矩阵中的a ij设置为当前字段对应的元素，将a ij设置为1，其中，a ij为所述预设矩阵的第i行第j列的元素；
将所述预设矩阵的第i行中a ij之外的元素设置为0；
获得当前报文头对应的特征矩阵。
8.智能设备，其特征在于，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行权利要求1至4中任一所述的网络协议解析方法。
9.计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1至4中任一所述的网络协议解析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010891624.2A CN111818096B (zh) | 2020-08-31 | 2020-08-31 | 网络协议解析方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010891624.2A CN111818096B (zh) | 2020-08-31 | 2020-08-31 | 网络协议解析方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111818096A CN111818096A (zh) | 2020-10-23 |
| CN111818096B true CN111818096B (zh) | 2020-12-22 |
Family
ID=72860285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010891624.2A Active CN111818096B (zh) | 2020-08-31 | 2020-08-31 | 网络协议解析方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111818096B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116743586A (zh) * | 2023-04-27 | 2023-09-12 | 江苏博云科技股份有限公司 | 基于机器学习的交换机命令解析性能管理方法及设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106850338A (zh) * | 2016-12-30 | 2017-06-13 | 西可通信技术设备（河源）有限公司 | 一种基于语义分析的r+1类应用层协议识别方法与装置 |
| CN111224940A (zh) * | 2019-11-15 | 2020-06-02 | 中国科学院信息工程研究所 | 一种嵌套在加密隧道中的匿名服务流量关联识别方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101035111B (zh) * | 2007-04-13 | 2010-10-13 | 北京启明星辰信息技术股份有限公司 | 一种智能协议解析方法及装置 |
| CN101695035B (zh) * | 2009-10-21 | 2012-07-04 | 成都市华为赛门铁克科技有限公司 | 流量识别方法及装置 |
| US10574598B2 (en) * | 2017-10-18 | 2020-02-25 | International Business Machines Corporation | Cognitive virtual detector |
| CN111355696A (zh) * | 2018-12-24 | 2020-06-30 | 中移（杭州）信息技术有限公司 | 一种报文识别方法、装置、dpi设备及存储介质 |
| CN110995678B (zh) * | 2019-11-22 | 2021-07-23 | 北京航空航天大学 | 一种面向工控网络的高效入侵检测系统 |
-
2020
- 2020-08-31 CN CN202010891624.2A patent/CN111818096B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106850338A (zh) * | 2016-12-30 | 2017-06-13 | 西可通信技术设备（河源）有限公司 | 一种基于语义分析的r+1类应用层协议识别方法与装置 |
| CN111224940A (zh) * | 2019-11-15 | 2020-06-02 | 中国科学院信息工程研究所 | 一种嵌套在加密隧道中的匿名服务流量关联识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111818096A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112104654B (zh) | 多协议自动识别与转换方法，存储介质及智能网关 | |
| CN108255725B (zh) | 测试方法及装置 | |
| CN112437016B (zh) | 网络流量识别方法、装置、设备及计算机存储介质 | |
| CN110868409A (zh) | 一种基于tcp/ip协议栈指纹的操作系统被动识别方法及系统 | |
| CN114500690B (zh) | 接口数据处理方法、装置、电子设备及存储介质 | |
| CN113271237B (zh) | 工控协议的解析方法、装置、存储介质及处理器 | |
| CN110008385B (zh) | 一种基于字符串的快速匹配识别方法和装置 | |
| CN111818096B (zh) | 网络协议解析方法和装置 | |
| CN112433705A (zh) | 脚本生成方法、装置、电子设备及存储介质 | |
| CN113536770B (zh) | 基于人工智能的文本解析方法、装置、设备及存储介质 | |
| US20180150371A1 (en) | Methods, systems, and computer readable media for token based message capture | |
| CN112437022B (zh) | 网络流量识别方法、设备及计算机存储介质 | |
| CN117407242B (zh) | 基于大语言模型的低成本、零样本的在线日志解析方法 | |
| CN112363939A (zh) | 快速生成模糊测试网络协议模板的方法及系统、设备 | |
| CN111767161A (zh) | 远程调用深度识别方法、装置、计算机设备及可读存储介质 | |
| CN111314109A (zh) | 一种基于弱密钥的大规模物联网设备固件识别方法 | |
| US20100057704A1 (en) | Automatic Test Map Generation for System Verification Test | |
| CN111814423B (zh) | 一种日志的格式化方法、装置和存储介质 | |
| CN114781293A (zh) | 一种芯片瓶颈分析方法、装置、设备及介质 | |
| CN114615052A (zh) | 一种基于知识编译的入侵检测方法及系统 | |
| CN114186637A (zh) | 流量识别方法、装置、服务器和存储介质 | |
| CN113905106A (zh) | 一种报文解析方法、装置、设备及存储介质 | |
| US20220400079A1 (en) | Sort device, sort method, and sort program | |
| JP2021129203A (ja) | 通信解析装置、通信解析プログラム及び通信解析方法 | |
| CN113055760A (zh) | 日志处理方法、装置、设备和存储介质 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20201023 Assignee: CHINA TECHNOLOGY EXCHANGE Co.,Ltd. Assignor: Beijing andI Technology Co.,Ltd. Contract record no.: X2021980013280 Denomination of invention: Network protocol analysis method and device Granted publication date: 20201222 License type: Exclusive License Record date: 20211124 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Network protocol analysis method and device Effective date of registration: 20211125 Granted publication date: 20201222 Pledgee: CHINA TECHNOLOGY EXCHANGE Co.,Ltd. Pledgor: Beijing andI Technology Co.,Ltd. Registration number: Y2021110000074 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20230529 Granted publication date: 20201222 Pledgee: CHINA TECHNOLOGY EXCHANGE Co.,Ltd. Pledgor: Beijing andI Technology Co.,Ltd. Registration number: Y2021110000074 |
|
| EC01 | Cancellation of recordation of patent licensing contract | ||
| EC01 | Cancellation of recordation of patent licensing contract |
Assignee: CHINA TECHNOLOGY EXCHANGE Co.,Ltd. Assignor: Beijing andI Technology Co.,Ltd. Contract record no.: X2021980013280 Date of cancellation: 20230529 |