CN112671670A - 一种vr视频业务识别方法、装置、智能终端及存储介质 - Google Patents

Abstract

本发明公开了一种VR视频业务识别方法、装置、智能终端及存储介质，其中，上述VR视频业务识别方法包括：获取目标业务的流统计特征信息；基于上述流统计特征信息，获取目标流统计特征信息；基于上述目标流统计特征信息，分析识别上述目标业务是否为VR视频业务，获取识别结果；输出上述识别结果。本发明方案提供一种针对VR视频业务进行识别的方法，可以获取待识别的目标业务的流统计特征信息，进而获取用于分析识别的目标流统计特征信息，分析识别上述目标业务是否为VR视频业务。相较于现有技术，本发明方案有利于提升VR视频业务的识别准确性，从而有利于区分VR视频业务和非VR视频业务。

Description

一种VR视频业务识别方法、装置、智能终端及存储介质

技术领域

本发明涉及互联网业务识别技术领域，尤其涉及的是一种VR视频业务识别方法、装置、智能终端及存储介质。

背景技术

随着通信技术和网络技术的飞速发展，各种网络上承载的业务种类也越来越丰富。尤其是随着Wifi、LTE、4G和5G等无线通信技术的飞速发展，流媒体视频业务流量急剧增加，同时智能手机、笔记本电脑和平板电脑在人们日常生活中的普及也加速了视频业务的增长。近年来，虚拟现实(VR，Virtual Reality)视频业务由于其沉浸式的特点，受到了人们的广泛欢迎和关注，VR视频的数量也越来越多，对VR视频业务进行传输优化也越来越受到关注。其中，对VR视频业务进行识别是对VR视频业务进行传输优化的前提。

现有技术中，对于视频业务，通常仅关注不同视频业务的清晰度，仅识别不同清晰度的视频业务，如通过提取视频业务的下行速率峰值来识别标清、高清和超清业务，没有针对VR视频业务和非VR视频业务进行识别的方法。但对VR视频业务进行传输优化的过程中，考虑的不应该是其清晰度，而应该是其作为VR视频业务这一特性，因此，需要对VR视频业务和非VR视频业务进行区分识别。但现有技术中用于识别不同清晰度的视频业务的方法用于识别VR视频业务时准确性低。

因此，现有技术还有待改进和发展。

发明内容

本发明的主要目的在于提供一种VR视频业务识别方法、装置、智能终端及存储介质，旨在解决现有技术中没有针对VR视频业务的识别方法、VR视频业务视频识别准确性低的问题。

为了实现上述目的，本发明第一方面提供一种VR视频业务识别方法，其中，上述方法包括：

获取目标业务的流统计特征信息；

基于上述流统计特征信息，获取目标流统计特征信息；

基于上述目标流统计特征信息，分析识别上述目标业务是否为VR视频业务，获取识别结果；

输出上述识别结果。

可选的，上述获取目标业务的流统计特征信息，包括：

发送流统计特征请求信息，以触发网络交换机返回目标业务的流统计特征信息；

接收上述网络交换机返回的上述目标业务的流统计特征信息。

可选的，上述发送流统计特征请求信息，以触发网络交换机返回目标业务的流统计特征信息，包括：

监听有上述目标业务经过的网络交换机的端口；

在一个周期内，向上述网络交换机发送预设的统计数目次流统计特征请求信息；

触发上述网络交换机基于上述流统计特征请求信息返回上述目标业务的流统计特征信息。

可选的，上述基于上述流统计特征信息，获取目标流统计特征信息，包括：

基于主成分分析算法对上述流统计特征信息进行分析和选择；

基于分析和选择的结果，获取上述目标流统计特征信息，其中，上述目标流统计特征信息为用于识别上述目标业务是否为VR视频业务的目标流统计特征的数据信息。

可选的，上述目标流统计特征包括以下流统计特征：上述目标业务的协议，源端口，目的端口，数据包数量，字节数量，传输层中没有数据载荷的报文数量，流开始时间，流结束时间，流持续时间，平均数据包吞吐量，平均字节吞吐量，数据包大小的最大值、最小值、平均值和标准差，数据包到达时间间隔的最大值、最小值、平均值和标准差，带有FIN的TCP数据包的数量，带有SYN的TCP数据包的数量和带有RST的TCP数据包的数量。

可选的，上述基于上述目标流统计特征信息，分析识别上述目标业务是否为VR视频业务，获取识别结果，包括：

基于上述目标流统计特征信息，通过机器学习算法识别上述目标业务是否为VR业务，获取识别结果。

本发明第二方面提供一种VR视频业务识别装置，其中，上述装置包括：

流统计特征信息获取模块，用于获取目标业务的流统计特征信息；

目标流统计特征信息获取模块，用于基于上述流统计特征信息，获取目标流统计特征信息；

识别模块，用于基于上述目标流统计特征信息，分析识别上述目标业务是否为VR视频业务，获取识别结果；

结果输出模块，用于输出上述识别结果。

本发明第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在所上述处理器上运行的程序，上述程序被上述处理器执行时实现任意一项上述VR视频业务识别方法的步骤。

本发明第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有计算机程序，上述计算机程序被处理器执行时实现任意一项上述VR视频业务识别方法的步骤。

由上可见，本发明方案获取目标业务的流统计特征信息；基于上述流统计特征信息，获取目标流统计特征信息；基于上述目标流统计特征信息，分析识别上述目标业务是否为VR视频业务，获取识别结果；输出上述识别结果。本发明方案提供一种针对VR视频业务进行识别的方法，可以获取待识别的目标业务的流统计特征信息，进而获取用于分析识别的目标流统计特征信息，从而分析识别上述目标业务是否为VR视频业务。因此，相较于现有技术，本发明方案有利于提升VR视频业务的识别准确性，从而有利于区分VR视频业务和非VR视频业务，实现对VR视频业务进行传输优化，提升用户体验。

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性的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的一种VR视频业务识别方法的流程示意图；

图2是本发明实施例提供的一种实验中非VR视频的数据包到达时间间隔示意图；

图3是本发明实施例提供的一种实验中VR视频的数据包到达时间间隔示意图；

图4是本发明实施例图1中步骤S100的具体流程示意图；

图5是本发明实施例图4中步骤S101的具体流程示意图；

图6是本发明实施例图1中步骤S200的具体流程示意图；

图7是本发明实施例提供的另一种VR视频业务识别方法的流程示意图；

图8是本发明实施例图7中步骤A100的具体流程示意图；

图9是本发明实施例图7中步骤A300的具体流程示意图；

图10是本发明实施例提供的一种VR视频业务识别装置的结构示意图；

图11是本发明实施例图10中流统计特征信息获取模块510的具体结构示意图；

图12是本发明实施例提供的一种智能终端的内部结构原理框图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。

下面结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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前提下所获得的所有其它实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

随着VR技术的发展，VR视频由于其沉浸式的特点，受到了人们的广泛欢迎和关注。在传输过程中，VR视频业务对网络条件的要求较高，为了对VR视频流优先分配网络资源，首先需要识别出VR视频业务。具体的，VR视频业务相对于非VR视频业务，带宽需求量更高、时延要求更严格，为了提升用户体验，在VR视频业务的传输过程中应当进行针对性的输出优化。而识别出VR视频业务和非VR视频业务是对VR视频进行传输优化的前提。

现有技术中，已经有一些对于业务识别的研究，但对于视频业务，通常仅关注不同视频业务的清晰度，仅识别不同清晰度的视频业务，如通过提取视频业务的下行速率峰值来识别标清、高清和超清业务，没有针对VR视频业务和非VR视频业务进行识别的方法。但对VR视频业务进行传输优化的过程中，考虑的不应该是其清晰度，而应该是其作为VR视频业务这一特性，因此，需要对VR视频业务和非VR视频业务进行区分识别。现有的业务识别方案可能不能准确的识别VR视频业务，从而无法实现对于VR视频业务的传输优化，对用户体验造成影响。因此，需要提供一种更好的VR视频业务识别方法。

为了解决现有技术的问题，本发明提供一种VR视频业务识别方法，在本发明实施例中，获取目标业务的流统计特征信息；基于上述流统计特征信息，获取目标流统计特征信息；基于上述目标流统计特征信息，分析识别上述目标业务是否为VR视频业务，获取识别结果；输出上述识别结果。本发明方案提供一种针对VR视频业务进行识别的方法，可以获取待识别的目标业务的流统计特征信息，进而获取用于分析识别的目标流统计特征信息，从而分析识别上述目标业务是否为VR视频业务。因此，相较于现有技术，本发明方案有利于提升VR视频业务的识别准确性，从而有利于区分VR视频业务和非VR视频业务，对VR视频业务进行传输优化，提升用户体验。

示例性方法

如图1所示，本发明实施例提供一种VR视频业务识别方法，上述VR视频业务识别方法可以基于软件定义网络(SDN，Software Defined Networking)实施，利用SDN对网络资源的管理和控制能力来对获取对应目标业务的流统计信息，从而对VR视频和非VR视频业务进行识别。在本发明实施例中，上述方法包括如下步骤：

步骤S100，获取目标业务的流统计特征信息。

其中，上述目标业务为需要判断是否为VR视频的业务。具体的，基于SDN架构实施上述VR视频业务识别方法时，可以将该SDN架构中经过的所有业务都作为目标业务，分别识别判断每一个业务是否为VR视频业务，从而方便对VR视频业务进行传输优化，以提升用户体验。

步骤S200，基于上述流统计特征信息，获取目标流统计特征信息。

步骤S300，基于上述目标流统计特征信息，分析识别上述目标业务是否为VR视频业务，获取识别结果。

其中，上述流统计特征信息可以包括以下流统计特征的信息：上述目标业务的协议，源端口，目的端口，数据包数量，字节数量，传输层中没有数据载荷的报文数量，流开始时间，流结束时间，流持续时间，平均数据包吞吐量，平均字节吞吐量，数据包大小的最大值、最小值、平均值和标准差，数据包到达时间间隔的最大值、最小值、平均值和标准差，设置了FIN标志的TCP数据包的数量，设置了SYN标志的TCP数据包的数量，设置了RST标志的TCP数据包的数量，设置了PSH标志的TCP数据包的数量，设置了ACK标志的TCP数据包的数量，设置了URG标志的TCP数据包的数量，设置了CWE标志的TCP数据包的数量，设置了ECE标志的TCP数据包的数量，上述目标业务的业务流中前10个数据包的大小等。其中，上述FIN，SYN，RST，PSH，ACK，URG，CWE和ECE标志分别为TCP层中FLAGS字段的标志。可选的，上述流统计特征信息还可以包括业务的其它流统计特征的信息，在此不做具体限定。

具体的，VR视频用户在某一时刻只会关注于VR视频的视场区域(FoV，Field ofView)，VR视频与非VR视频在整体分辨率、数据包吞吐量、字节吞吐量等指标上都会出现一定的差异，可以基于此进行区分。同时，业务流都会包含源IP地址，目标IP地址，源端口，目标端口和协议的信息。对于VR视频流，由于VR视频用户的FoV只占整个VR视频的一个区域，在FoV区域分辨率与普通视频分辨率相同的情况下，VR视频的整体分辨率会是普通视频分辨率的数倍。高分辨率视频需要更高的比特率进行支撑，而为了节省数据包的封包开销，VR视频的每个数据包大小将会比普通视频的数据包大小更大。因此，相对于普通视频，VR视频的平均数据包吞吐量和平均字节吞吐量会更大一些。图2和图3分别是本发明实施例提供一种实验中非VR视频和VR视频的数据包到达时间间隔示意图，实验结果表明，VR视频和普通视频数据包到达时间间隔有很大差异，VR视频与普通视频每秒到达的数据包最大值也不一样。

因此，本发明实施例选用了上述可以用于在区分VR视频业务与非VR视频业务的过程中进行参考的流统计特征，从而进一步筛选获取用于对目标业务进行分析识别的目标流统计特征信息，以实现对上述目标业务的分析和识别。

步骤S400，输出上述识别结果。

具体的，获取上述目标目标业务是否为VR视频业务的识别结果后，可以将上述识别结果进行输出，以便进一步基于上述识别结果对VR视频业务进行传输优化，提升用户体验。

可选的，上述输出方式可以是可视化输出，也可以是为上述目标业务增加一个VR视频业务标记或非VR视频业务标记后输出数据，以便基于上述标记识别业务类型，还可以有其它输出方式，在此不做具体限定。

由上可见，本发明实施例提供的VR视频业务识别方法获取目标业务的流统计特征信息；基于上述流统计特征信息，获取目标流统计特征信息；基于上述目标流统计特征信息，分析识别上述目标业务是否为VR视频业务，获取识别结果；输出上述识别结果。本发明实施例提供一种针对VR视频业务进行识别的方法，可以获取待识别的目标业务的流统计特征信息，进而获取用于分析识别的目标流统计特征信息，从而分析识别上述目标业务是否为VR视频业务。因此，相较于现有技术，本发明方案有利于提升VR视频业务的识别准确性，从而有利于区分VR视频业务和非VR视频业务，实现对VR视频业务进行传输优化，提升用户体验。

具体的，本实施例中，如图4所示，上述步骤S100包括：

步骤S101，发送流统计特征请求信息，以触发网络交换机返回目标业务的流统计特征信息。

步骤S102，接收上述网络交换机返回的上述目标业务的流统计特征信息。

本实施例中，基于SDN架构实施上述VR视频业务识别方法时，SDN控制器主动向网络交换机发送流统计特征请求信息，触发网络交换机向上述SDN控制器回复上述目标业务的流统计特征信息。上述SDN控制器接收到上述控制器回复的流统计特征信息后，提取出可用的流统计特征信息，从而收集网络交换机中经过的目标业务的流的统计特征及对应的流统计特征的数据信息。

具体的，本实施例中，如图5所示，上述步骤S101包括：

步骤S1011，监听有上述目标业务经过的网络交换机的端口。

步骤S1012，在一个周期内，向上述网络交换机发送预设的统计数目次流统计特征请求信息。

步骤S1013，触发上述网络交换机基于上述流统计特征请求信息返回上述目标业务的流统计特征信息。

其中，上述预设的统计数目为预先设置的一个周期内的统计次数，可以预先设置，也可以基于一个周期的长度以及总特征的采集时间进行调整，或根据实际需要进行其它调整，在此不做具体限定。

本实施例中，基于SDN架构实施上述VR视频业务识别方法时，SDN控制器监听有VR视频流经过的网络交换机端口，在一个周期内，SDN控制器向上述网络交换机发送n次流统计特征请求信息，其中n为上述预设的统计数目，n取决于一个周期的长度及总特征采集时间。本实施例中采用SDN控制器周期性与网络交换机之间通信的方法收集流统计信息，有利于减小SDN控制器的负担。上述网络交换机收到上述流统计特征请求信息之后，向上述SDN控制器回复对应的流统计特征信息。

具体的，本实施例中，如图6所示，上述步骤S200包括：

步骤S201，基于主成分分析算法对上述流统计特征信息进行分析和选择。

步骤S202，基于分析和选择的结果，获取上述目标流统计特征信息，其中，上述目标流统计特征信息为用于识别上述目标业务是否为VR视频业务的目标流统计特征的数据信息。

本实施例中，使用主成分分析算法选择出一组可以用于区分VR视频业务和非VR视频业务的目标流统计特征。具体的，对上述流统计特征信息，通过主成分分析算法寻找一系列投影方向，将上述流统计特征信息中的高维数据向这些方向投影后，使方差最大化。第一个主成分是方差最大的方向，第二个主成分是方差第二大的方向。从而进行筛选，获取用于识别上述目标业务是否为VR视频业务的目标流统计特征的数据信息。

具体的，本实施例中，筛选获得的上述目标流统计特征包括：上述目标业务的协议，源端口，目的端口，数据包数量，字节数量，传输层中没有数据载荷的报文数量，流开始时间，流结束时间，流持续时间，平均数据包吞吐量，平均字节吞吐量，数据包大小的最大值、最小值、平均值和标准差，数据包到达时间间隔的最大值、最小值、平均值和标准差，带有FIN的TCP数据包的数量，带有SYN的TCP数据包的数量和带有RST的TCP数据包的数量。

在一种应用场景中，对于识别精度要求不高的情况下，上述目标流统计特征可以包括上述一种或多种流统计特征；在另一种应用场景中，对应于某些有特定特点的VR视频业务，上述目标流统计特征还可以包括其它流统计特征，在此不做具体限定。

可选的，上述步骤S300包括：基于上述目标流统计特征信息，通过机器学习算法识别上述目标业务是否为VR业务，获取识别结果。

其中，上述通过机器学习算法识别上述目标业务是否为VR业务可以具体包括：提取上述目标流统计特征，基于上述机器学习算法进行识别并对来自非VR视频或VR视频应用程序的每个流分别进行标记。基于上述标记对上述目标业务进行分类，分为VR视频业务和非VR视频业务，从而实现对于VR视频业务的识别。

可选的，实际使用中，可以先构建识别模型，获取部分已标记好的VR视频业务和非VR视频业务作为训练集，基于训练集中的上述目标流特征信息和机器学习算法对识别模型进行训练，从而获得训练后的识别模型。在识别过程中，将上述目标业务对应的目标流特征信息输入上述识别模型，即可识别上述目标业务是否为VR视频业务。

本实施例还提供一种基于SDN架构的具体应用场景下的上述VR视频业务识别方法的实施过程，以下基于该具体应用场景进行说明。图7是本发明实施例提供的上述具体应用场景下的VR视频业务识别方法的流程示意图，如图7所示，上述方法包括：步骤A100，从网络交换机中收集流统计特征信息；步骤A200，基于上述流统计特征信息，通过主成分分析算法获取目标流统计特征信息；步骤A300，基于上述目标流统计特征信息，结合机器学习算法分析识别上述目标业务是否为VR视频业务，获取识别结果；步骤A400，输出上述识别结果。具体的，在SDN架构下，上述方法利用SDN控制器周期性地向网络交换机发送流统计特征请求信息，在收到上述网络交换机回复的流统计特征信息后，从中提取出可用的流统计特征信息。然后使用主成分分析算法选取了一组可以用于区分VR视频和非VR视频的目标流统计特征。最后，结合使用这些目标流统计特征信息和机器学习算法识别出VR视频业务。在减少通信代价的同时提升对于VR视频业务的识别的准确性。

具体的，如图8所示，上述步骤A100具体包括：步骤A101，SDN控制器监听网络交换机端口；步骤A102，SDN控制器向上述网络交换机发送流特征请求信息；步骤A103，上述网络交换机向SDN控制器回复流统计特征信息；步骤A104，上述SDN控制器提取出流统计特征信息。采用SDN控制器与交换机之间通信的方法收集流统计信息，有利于数据过程中的通信负担。

具体的，如图9所示，上述步骤A300具体包括：步骤A301，基于目标流统计特征信息进行特征提取；步骤A302，基于机器学习算法和提取的特征进行识别并对来自非VR视频或VR视频应用程序的每个流分别进行标记；步骤A303，基于上述标记对上述目标业务进行分类，分为VR视频业务和非VR视频业务；步骤A304，实现对于VR视频业务的识别。结合选取的目标流统计特征信息和及其算法，提高VR视频业务识别的准确性，从而识别出VR视频业务，方便制定和实行针对VR视频业务的优化策略，提升用户体验。

示例性设备

如图10中所示，对应于上述VR视频业务识别方法，本发明实施例还提供一种VR视频业务识别装置，上述VR视频业务识别装置包括：

流统计特征信息获取模块510，用于获取目标业务的流统计特征信息。

其中，上述目标业务为需要判断是否为VR视频的业务。具体的，基于SDN架构进行VR视频业务识别时，可以将该SDN架构中经过的所有业务都作为目标业务，分别识别判断每一个业务是否为VR视频业务，从而方便对VR视频业务进行传输优化，以提升用户体验。

目标流统计特征信息获取模块520，用于基于上述流统计特征信息，获取目标流统计特征信息。

识别模块530，用于基于上述目标流统计特征信息，分析识别上述目标业务是否为VR视频业务，获取识别结果。

其中，上述流统计特征信息可以包括以下流统计特征的信息：上述目标业务的协议，源端口，目的端口，数据包数量，字节数量，传输层中没有数据载荷的报文数量，流开始时间，流结束时间，流持续时间，平均数据包吞吐量，平均字节吞吐量，数据包大小的最大值、最小值、平均值和标准差，数据包到达时间间隔的最大值、最小值、平均值和标准差，设置了FIN标志的TCP数据包的数量，设置了SYN标志的TCP数据包的数量，设置了RST标志的TCP数据包的数量，设置了PSH标志的TCP数据包的数量，设置了ACK标志的TCP数据包的数量，设置了URG标志的TCP数据包的数量，设置了CWE标志的TCP数据包的数量，设置了ECE标志的TCP数据包的数量，上述目标业务的业务流中前10个数据包的大小等。其中，上述FIN，SYN，RST，PSH，ACK，URG，CWE和ECE标志分别为TCP层中FLAGS字段的标志。可选的，上述流统计特征信息还可以包括业务的其它流统计特征的信息，在此不做具体限定。

具体的，VR视频用户在某一时刻只会关注于VR视频的视场区域(FoV，Field ofView)，VR视频与非VR视频在整体分辨率、数据包吞吐量、字节吞吐量等指标上都会出现一定的差异，可以基于此进行区分。同时，业务流都会包含源IP地址，目标IP地址，源端口，目标端口和协议的信息。对于VR视频流，由于VR视频用户的FoV只占整个VR视频的一个区域，在FoV区域分辨率与普通视频分辨率相同的情况下，VR视频的整体分辨率会是普通视频分辨率的数倍。高分辨率视频需要更高的比特率进行支撑，而为了节省数据包的封包开销，VR视频的每个数据包大小将会比普通视频的数据包大小更大。因此，相对于普通视频，VR视频的平均数据包吞吐量和平均字节吞吐量会更大一些。图2和图3分别是本发明实施例提供一种实验中非VR视频和VR视频的数据包到达时间间隔示意图，实验结果表明，VR视频和普通视频数据包到达时间间隔有很大差异，VR视频与普通视频每秒到达的数据包最大值也不一样。

因此，本发明实施例选用了上述可以用于在区分VR视频业务与非VR视频业务的过程中进行参考的流统计特征，从而进一步筛选获取用于对目标业务进行分析识别的目标流统计特征信息，以实现对上述目标业务的分析和识别。

结果输出模块540，用于输出上述识别结果。

具体的，获取上述目标目标业务是否为VR视频业务的识别结果后，可以将上述识别结果进行输出，以便进一步基于上述识别结果对VR视频业务进行传输优化，提升用户体验。

可选的，上述结果输出模块540的输出方式可以是可视化输出，也可以是为上述目标业务增加一个VR视频业务标记或非VR视频业务标记后输出数据，以便基于上述标记识别业务类型，还可以有其它输出方式，在此不做具体限定。

由上可见，本发明实施例提供的VR视频业务识别装置通过流统计特征信息获取模块510获取目标业务的流统计特征信息；通过目标流统计特征信息获取模块520基于上述流统计特征信息，获取目标流统计特征信息；通过识别模块530基于上述目标流统计特征信息，分析识别上述目标业务是否为VR视频业务，获取识别结果；通过结果输出模块540输出上述识别结果。本发明实施例提供一种针对VR视频业务进行识别的装置，可以获取待识别的目标业务的流统计特征信息，进而获取用于分析识别的目标流统计特征信息，从而分析识别上述目标业务是否为VR视频业务。因此，相较于现有技术，本发明方案有利于提升VR视频业务的识别准确性，从而有利于区分VR视频业务和非VR视频业务，实现对VR视频业务进行传输优化，提升用户体验。

具体的，本实施例中，如图11所示，上述流统计特征信息获取模块510包括：

请求信息发送单元511，用于发送流统计特征请求信息，以触发网络交换机返回目标业务的流统计特征信息。

流统计特征信息接收单元512，用于接收上述网络交换机返回的上述目标业务的流统计特征信息。

本实施例中，上述VR视频业务识别装置基于SDN架构进行VR视频业务识别时，上述流统计特征信息获取模块510可以为SDN控制器，具体的SDN控制器主动向网络交换机发送流统计特征请求信息，触发网络交换机向上述SDN控制器回复上述目标业务的流统计特征信息。上述SDN控制器接收到上述控制器回复的流统计特征信息后，提取出可用的流统计特征信息，从而收集网络交换机中经过的目标业务的流的统计特征及对应的流统计特征的数据信息。

可选的，上述流统计特征信息获取模块510具体用于：监听有上述目标业务经过的网络交换机的端口；在一个周期内，向上述网络交换机发送预设的统计数目次流统计特征请求信息；触发上述网络交换机基于上述流统计特征请求信息返回上述目标业务的流统计特征信息。

其中，上述预设的统计数目为预先设置的一个周期内的统计次数，可以预先设置，也可以基于一个周期的长度以及总特征的采集时间进行调整，或根据实际需要进行其它调整，在此不做具体限定。

本实施例中，上述VR视频业务识别装置基于SDN架构进行VR视频业务识别时，上述流统计特征信息获取模块510可以为SDN控制器，SDN控制器监听有VR视频流经过的网络交换机端口，在一个周期内，SDN控制器向上述网络交换机发送n次流统计特征请求信息，其中n为上述预设的统计数目，n取决于一个周期的长度及总特征采集时间。本实施例中采用SDN控制器周期性与网络交换机之间通信的方法收集流统计信息，有利于减小SDN控制器的负担。上述网络交换机收到上述流统计特征请求信息之后，向上述SDN控制器回复对应的流统计特征信息。

可选的，上述目标流统计特征信息获取模块520具体用于：基于主成分分析算法对上述流统计特征信息进行分析和选择；基于分析和选择的结果，获取上述目标流统计特征信息，其中，上述目标流统计特征信息为用于识别上述目标业务是否为VR视频业务的目标流统计特征的数据信息。

本实施例中，使用主成分分析算法选择出一组可以用于区分VR视频业务和非VR视频业务的目标流统计特征。具体的，对上述流统计特征信息，通过主成分分析算法寻找一系列投影方向，将上述流统计特征信息中的高维数据向这些方向投影后，使方差最大化。第一个主成分是方差最大的方向，第二个主成分是方差第二大的方向。从而进行筛选，获取用于识别上述目标业务是否为VR视频业务的目标流统计特征的数据信息。

具体的，本实施例中，筛选获得的上述目标流统计特征包括：上述目标业务的协议，源端口，目的端口，数据包数量，字节数量，传输层中没有数据载荷的报文数量，流开始时间，流结束时间，流持续时间，平均数据包吞吐量，平均字节吞吐量，数据包大小的最大值、最小值、平均值和标准差，数据包到达时间间隔的最大值、最小值、平均值和标准差，带有FIN的TCP数据包的数量，带有SYN的TCP数据包的数量和带有RST的TCP数据包的数量。

在一种应用场景中，对于识别精度要求不高的情况下，上述目标流统计特征可以包括上述一种或多种流统计特征；在另一种应用场景中，对应于某些有特定特点的VR视频业务，上述目标流统计特征还可以包括其它流统计特征，在此不做具体限定。

可选的，上述识别模块530具体用于：基于上述目标流统计特征信息，通过机器学习算法识别上述目标业务是否为VR业务，获取识别结果。

其中，上述通过机器学习算法识别上述目标业务是否为VR业务可以具体包括：提取上述目标流统计特征，基于上述机器学习算法进行识别并对来自非VR视频或VR视频应用程序的每个流分别进行标记。基于上述标记对上述目标业务进行分类，分为VR视频业务和非VR视频业务，从而实现对于VR视频业务的识别。

可选的，实际使用中，可以先构建识别模型，获取部分已标记好的VR视频业务和非VR视频业务作为训练集，基于训练集中的上述目标流特征信息和机器学习算法对识别模型进行训练，从而获得训练后的识别模型。在识别过程中，将上述目标业务对应的目标流特征信息输入上述识别模型，即可识别上述目标业务是否为VR视频业务。

基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图12所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时实现上述任意一种VR视频业务识别方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。

本领域技术人员可以理解，图12中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种智能终端，包括有存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的程序，上述程序被上述处理器执行时进行以下操作指令：

获取目标业务的流统计特征信息；

基于上述流统计特征信息，获取目标流统计特征信息；

基于上述目标流统计特征信息，分析识别上述目标业务是否为VR视频业务，获取识别结果；

输出上述识别结果。

本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有计算机程序，上述计算机程序被处理器执行时实现本发明实施例第一方面提供的任一种VR视频业务识别方法所述的步骤。

应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，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。

上述集成的模块/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存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。

以上所述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，并不是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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种VR视频业务识别方法，其特征在于，所述方法包括：

获取目标业务的流统计特征信息；

基于所述流统计特征信息，获取目标流统计特征信息；

基于所述目标流统计特征信息，分析识别所述目标业务是否为VR视频业务，获取识别结果；

输出所述识别结果。

2.根据权利要求1所述的VR视频业务识别方法，其特征在于，所述获取目标业务的流统计特征信息，包括：

发送流统计特征请求信息，以触发网络交换机返回目标业务的流统计特征信息；

接收所述网络交换机返回的所述目标业务的流统计特征信息。

3.根据权利要求2所述的VR视频业务识别方法，其特征在于，所述发送流统计特征请求信息，以触发网络交换机返回目标业务的流统计特征信息，包括：

监听有所述目标业务经过的网络交换机的端口；

在一个周期内，向所述网络交换机发送预设的统计数目次流统计特征请求信息；

触发所述网络交换机基于所述流统计特征请求信息返回所述目标业务的流统计特征信息。

4.根据权利要求1所述的VR视频业务识别方法，其特征在于，所述基于所述流统计特征信息，获取目标流统计特征信息，包括：

基于主成分分析算法对所述流统计特征信息进行分析和选择；

基于分析和选择的结果，获取所述目标流统计特征信息，其中，所述目标流统计特征信息为用于识别所述目标业务是否为VR视频业务的目标流统计特征的数据信息。

5.根据权利要求4所述的VR视频业务识别方法，其特征在于，所述目标流统计特征包括以下流统计特征：所述目标业务的协议，源端口，目的端口，数据包数量，字节数量，传输层中没有数据载荷的报文数量，流开始时间，流结束时间，流持续时间，平均数据包吞吐量，平均字节吞吐量，数据包大小的最大值、最小值、平均值和标准差，数据包到达时间间隔的最大值、最小值、平均值和标准差，带有FIN的TCP数据包的数量，带有SYN的TCP数据包的数量和带有RST的TCP数据包的数量。

6.根据权利要求1所述的VR视频业务识别方法，其特征在于，所述基于所述目标流统计特征信息，分析识别所述目标业务是否为VR视频业务，获取识别结果，包括：

基于所述目标流统计特征信息，通过机器学习算法识别所述目标业务是否为VR业务，获取识别结果。

7.一种VR视频业务识别装置，其特征在于，所述装置包括：

流统计特征信息获取模块，用于获取目标业务的流统计特征信息；

目标流统计特征信息获取模块，用于基于所述流统计特征信息，获取目标流统计特征信息；

识别模块，用于基于所述目标流统计特征信息，分析识别所述目标业务是否为VR视频业务，获取识别结果；

结果输出模块，用于输出所述识别结果。

8.根据权利要求7所述的VR视频业务识别装置，其特征在于，所述流统计特征信息获取模块包括：

请求信息发送单元，用于发送流统计特征请求信息，以触发网络交换机返回目标业务的流统计特征信息；

流统计特征信息接收单元，用于接收所述网络交换机返回的所述目标业务的流统计特征信息。

9.一种智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1-6任意一项所述方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6任意一项所述的方法的步骤。

Images