CN114374655A - 网络流量特征提取方法、装置、设备及存储介质 - Google Patents
网络流量特征提取方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114374655A CN114374655A CN202111582890.8A CN202111582890A CN114374655A CN 114374655 A CN114374655 A CN 114374655A CN 202111582890 A CN202111582890 A CN 202111582890A CN 114374655 A CN114374655 A CN 114374655A
- Authority
- CN
- China
- Prior art keywords
- network
- node
- neural network
- topology
- input
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 49
- 210000002569 neuron Anatomy 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- H04L47/2483—Traffic characterised by specific attributes, e.g. priority or QoS involving identification of individual flows
-
- 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
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开提供了一种网络流量特征提取方法、装置、设备及存储介质,涉及通信技术领域。该方法包括:基于网络拓扑,构建图神经网络,图神经网络的拓扑与网络拓扑对应;基于网络设备在网络拓扑中的位置,将网络设备的流量值输入到图神经网络的输入层节点,得到网络流量的特征信息。
Description
技术领域
本公开涉及通信技术领域,尤其涉及一种网络流量特征提取方法、装置、设备及存储介质。
背景技术
为了获得低维度的流量表示,即网络流量特征,目前一般使用矩阵分析的手段如PCA(Principle Component Analysis,主成分分析)或SVD(Singular ValueDecomposition,奇异值分解)技术。该技术将网络设备的流量做简单拼接,如2000个链路,按照链路编号拼接成2000维度的数据,然后输入算法获得100维度的输出。
在通信网络中,链路和转发节点(网络设备)构成了拓扑关系,但是,PCA或SVD均无法有效处理这种拓扑关系。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种网络流量特征提取方法、装置、设备及存储介质,至少在一定程度上解决相关技术中无法有效处理链路和转发节点之间拓扑关系的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种网络流量特征提取方法,方法包括:
基于网络拓扑,构建图神经网络,图神经网络的拓扑与网络拓扑对应;
基于网络设备在网络拓扑中的位置,将网络设备的流量值输入到图神经网络的输入层节点,得到网络流量的特征信息。
在本公开的一个实施例中,网络流量的特征信息为,图神经网络基于节点输入的流量、节点的邻居节点输入的流量、节点与邻居节点之间的权重值计算得到的。
在本公开的一个实施例中,基于网络设备在网络拓扑中的位置,将网络设备的流量值输入到图神经网络的输入层节点之前,方法还包括:
计算网络设备的流量值,网络设备的流量值为输入到网络设备的所有流量的和,或自网络设备输出的所有流量的和。
在本公开的一个实施例中,节点与邻居节点之间的权重值,是在图神经网络训练过程中确定的。
在本公开的一个实施例中,图神经网络包括输入层、中间层和输出层;
网络拓扑与输入层的拓扑对应,输入层的结构与中间层对应,输入层节点的输出为与其对应的中间层节点的输入;
输出层的每个神经元与中间层的节点连接,输出层的神经元用于输出网络流量的特征信息。
在本公开的一个实施例中,图神经网络的输出层上还叠加有解码神经网络;
解码神经网络用于从低维度的输出特征构造出与输入结构对应的流量数据。
在本公开的一个实施例中,方法还包括:
当网络设备所在的转发节点发生故障或转发节点对应的链路出现故障时,将转发节点或链路对应的流量值设为零。
在本公开的一个实施例中,方法还包括:
基于网络流量的特征,确定网络流量的类别。
根据本公开的另一个方面,提供一种网络流量特征提取装置,装置包括:
网络构建模块,用于基于网络拓扑,构建图神经网络,图神经网络的拓扑与网络拓扑对应;
特征提取模块,用于基于网络设备在网络拓扑中的位置,将网络设备的流量值输入到图神经网络的输入层节点,得到网络流量的特征信息。
根据本公开的再一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述的网络流量特征提取方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,其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上述的网络流量特征提取方法。
本公开的实施例所提供的网络流量特征提取方法,基于网络拓扑,构建图神经网络,图神经网络的拓扑与网络拓扑对应;基于网络设备在网络拓扑中的位置,将网络设备的流量值输入到图神经网络的输入层节点,得到网络流量的特征信息。这里,图神经网络的输入层具有图结构特点,直接将网络拓扑映射为图神经网络拓扑,便可获得拓扑支持能力。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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本公开实施例中一种网络流量特征提取方法流程示意图;
图2本公开实施例中网络拓扑示意图;
图3本公开实施例中一种图神经网络示意图;
图4本公开实施例中另一种图神经网络示意图;
图5本公开实施例中另一种网络流量特征提取方法流程示意图;
图6本公开实施例中一种网络流量特征提取装置示意图;和
图7本公开实施例中一种计算机设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
基于背景技术部分可知,相关技术中在提取网络流量特征时存在无法有效处理链路和转发节点之间拓扑关系的问题。
网络流量特征提取一般用于网络流量的分析。网络流量分析是网络监控、管理中极其重要的任务,对判断网络状态具有重要的意义。
网络流量分析从网络中的不同设备采集流量,汇总后进行分析,简单分析如判断链路流量是否出现突变,用简单的阈值就可以。复杂流量分析则希望从全局判断整个网络是否处于异常状态,而不是依赖于单个链路信息,通常需要从大量的原始数据中获得一个固定低维度的向量,基于向量进一步分析。同时基于该向量,还能够反推获得原始数据。总结而言,将原始数据向量化(压缩表征)至少有如下优点:
1、能够压缩表示和存储。向量化后通常会有一定的信息损失,但是在一些应用场合能够容忍一定的损失换来高速回放,如快速的可视化导航,此时低维度的向量能够提供高速的数据访问。
2、能够使用机器学习方法做分类、聚类。如使用SVM做异常状态判断(SVM的输入要求是固定维度的向量),使用无监督聚类如kmeans做流量自动分类,将网络流量自动分为几种模式(忙时、闲时等)。
为了获得低维度的流量表示(本公开中的流量特征),目前一般使用矩阵分析的手段如主成分分析PCA或奇异值分解SVD技术。该技术将网络设备的流量做简单拼接,如2000个链路,按照链路编号拼接成2000维度的数据,然后输入算法获得100维度的输出。然后,上述方法依然存在如下问题:
1、数据的拼接忽略了拓扑结构。在通信网络中,链路和转发节点(如路由器)构成了拓扑关系,PCA或SVD无法有效处理这种拓扑关系。
2、PCA或SVD是一种线性压缩方法,如果数据内在有压缩规律但不能被线性模型刻画,则不容易被高效压缩。
本公开实施例提供了一种网络流量特征提取方法、装置、设备及存储介质,利用图神经网络提取网络流量特征,图神经网络的输入层具有图结构特点,直接将网络拓扑映射为图神经网络拓扑即可获得拓扑支持能力,从而至少可以解决上述方案中无法有效处理链路和转发节点之间拓扑关系的问题。
为便于理解,下面首先介绍本公开涉及的专业术语及相关技术。
图(Graph),在计算机科学中,图是由顶点和边两部分组成的一种数据结构。图G可以通过顶点集合V和它包含的边E来进行描述。
G=(V,E)
根据顶点之间是否存在方向依赖关系,边可以是有向的,也可以是无向的。
顶点也称为节点,在本公开中,这两个术语是可以互换。
图神经网络(GNN)是一种直接作用于图结构上的神经网络。GNN的一个典型应用是节点分类,本质上,图中的每个节点都与一个标签相关联。
在节点分类问题中,每个节点v都可以用其特征x_v表示并且与已标记的标签t_v相关联。给定部分标记的图G,目标是利用这些标记的节点来预测未标记的节点标签。它通过学习得到每个节点的d维向量(状态)表示为h_v,同时包含其相邻节点的信息。
本公开实施例提供的网络流量特征提取方法可以由任意具备计算处理能力的电子设备执行。例如,该网络流量特征提取方法的执行主体,可以但不限于任一能够被配置为执行本公开实施例提供的网络流量特征提取方法的终端设备、服务器,或者,该方法的执行主体,还可以是能够执行该方法的客户端本身。
服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
终端可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、增强现实设备、虚拟现实设备等,本申请在此不做限制。
下面结合附图及实施例对本示例实施方式进行详细说明。
图1示出本公开实施例中一种网络流量特征提取方法流程图,如图1所示,本公开实施例中提供的网络流量特征提取方法,包括如下步骤:
步骤S102,基于网络拓扑,构建图神经网络,图神经网络的拓扑与网络拓扑对应;
步骤S104,基于网络设备在网络拓扑中的位置,将网络设备的流量值输入到图神经网络的输入层节点,得到网络流量的特征信息。
下面对上述步骤进行详细说明,具体如下所示:
在一些实施例中,网络拓扑可以如图2所示。
相应地,在步骤S102之后,构建的图神经网络可以如图3所示。
如图3所示,图神经网络可以包括输入层、中间层和输出层;
网络拓扑与输入层的拓扑对应,输入层的结构与中间层对应,输入层节点的输出为与其对应的中间层节点的输入;
输出层的每个神经元与中间层的节点连接,输出层的神经元用于输出网络流量的特征信息。
本公开中使用图神经网络来对数据进行压缩表征,也就是提取网络流量特征。图3是图神经网络的示意图,包括输入层Input layer,中间层或隐含层Hidden layer以及输出层Output layer。Input layer和Hidden layer都包含若干个节点(简单理解为神经元),节点的数量与网络中转发设备的数量一致,节点和网络设备保持一一对应。
节点之间具有连接关系,与网络设备的连接关系保持一致。
在一些实施例中,网络流量的特征信息为,图神经网络基于节点输入的流量、节点的邻居节点输入的流量、节点与邻居节点之间的权重值计算得到的。
在一些实施例中,基于网络设备在网络拓扑中的位置,将网络设备的流量值输入到图神经网络的输入层节点之前,方法还包括:
计算网络设备的流量值,网络设备的流量值为输入到网络设备的所有流量的和,或自网络设备输出的所有流量的和。
作为一个示例,某一时刻,从网络中所有链路采集流量,对每个转发设备,将连接到该设备的所有流量进行求和,注意只对一个方向如进方向或出方向求和,然后将求和值作为神经网络输入层对应节点的输入值。
在一些实施例中,节点与邻居节点之间的权重值,是在图神经网络训练过程中确定的。
对输入层和中间层,每个节点之间的边(edge)有一个权重。该权重可以通过学习获得。
每个节点通过对周围节点的值进行卷积获得输出值,该输出值依赖于edge的权重、自身节点的输入以及邻居节点的输入值。
这种卷积可以有多种方式实现。作为一个示例,Input layer和Hidden layer具有层次关系,且节点一一对应,下层的输出是上层的输入。Output layer的每个神经元都与下层的节点连接,每个连接且有相应的权重,Output layer的每个神经元输出就是这些连接权重与输出值的乘积求和。
具体地,除了Output layer,每层的节点(称为神经元)数量与网络转发设备数量一致,且与网络转发设备有一一对应关系。
每层的每个节点都有输入和输出,其输入是来自下层的输出,是一个向量。每层的每个节点仅与相邻的节点发生关系,相邻节点由实际网络拓扑关系决定。
每层的每个节点与周围的节点之间的边具有权重,举例而言,节点i和节点j之间如果有连接关系,那么就存在Wij权重,该权重是一个向量,维度与节点的输入维度一致。记节点j的输入值为Ij,那么节点i的输出值Oi=H(Wij1*Ij1+Wij2*Ij2+…+Wijn*Ijn),其中H是非线性激活函数j1,j2,…,jn表示邻居节点,由于Wij是向量,上述相乘符号*代表内积。每个节点可以做多次这样的操作形成所谓的多个通道输出,从而形成一个向量输出。
另一种操作还可以为:Oi=H(max(Wij1*Ij1,Wij2*Ij2,…,Wijn*Ijn)),也就是所谓的pooling操作。
输出层的每个神经元与下一层的所有神经元相连,每个连接被赋予权重,输出层的每个神经元的输出值为权重与下层神经元输出值的内积之和。更具体而言,每个输出神经元i被赋予w_i1,w_i2,…,w_im权重,每个权重都是一个向量,向量维度与下层神经元的输出维度一致,m代表下层神经元的数量,也就是整个网络的转发节点数量。神经元i的输出为:
Oi=H(Wi1*O1+Wi2*O2+…+Wim*Om),其中H为非线性激活函数,也可以使用类似的pooling代替求和。
在一些实施例中,图神经网络的输出层上还叠加有解码神经网络;
解码神经网络用于从低维度的输出特征构造出与输入结构对应的流量数据。
为了获得神经网络参数,本公开同时提出了一种无监督的训练方法,如图4所示,具体而言,就是在神经网络的输出上叠加解码神经网络(Decoder,原先的神经网络称为Encoder),Decoder负责从低维度的输出特征构造出与输入结构完全一致的流量数据。训练时,将Decoder和Encoder堆叠形成图4的结构,对任何输入,要求Decoder的输入和Encoder的输入尽可能接近,一种方式就是要求Encoder和Decoder的对应节点值平方差小。
在一些实施例中,上述方法还可以包括:
当网络设备所在的转发节点发生故障或转发节点对应的链路出现故障时,将转发节点或链路对应的流量值设为零。
当转发节点或链路出现故障时,本公开实施例中将相应节点或链路对应流量设置为零,以保持结构不发生改变。
在一些实施例中,在上述实施例的基础上,如图5所示,该方法还可以包括:
步骤502,基于网络流量的特征,确定网络流量的类别。
这里网络流量的分类及分析过程可以参考相关技术中的分类及分析过程,在此不再赘述。
本公开实施例中,利用图神经网络提取流量特征,获得的特征具有更强大的表征能力,能够更准确的反映网络本质信息。特征的获取无需要标注数据训练。
图神经网络的输入层具有图结构特点,直接将网络拓扑映射为图神经网络拓扑即可获得拓扑支持能力;
图神经网络大量使用非线性激活函数,具有很强的非线性能力,适合更加复杂的数据模式。
基于同一发明构思,本公开实施例中还提供了一种网络流量特征提取装置,如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似,因此该装置实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图6示出本公开实施例中一种网络流量特征提取装置,如图6所示,该网络流量特征提取装置600包括:
网络构建模块602,用于基于网络拓扑,构建图神经网络,图神经网络的拓扑与网络拓扑对应;
特征提取模块604,用于基于网络设备在网络拓扑中的位置,将网络设备的流量值输入到图神经网络的输入层节点,得到网络流量的特征信息。
在一些实施例中,网络流量的特征信息为,图神经网络基于节点输入的流量、节点的邻居节点输入的流量、节点与邻居节点之间的权重值计算得到的。
在一些实施例中,该网络流量特征提取装置600,还可以包括:
流量值计算模块,用于基于网络设备在网络拓扑中的位置,将网络设备的流量值输入到图神经网络的输入层节点之前,计算网络设备的流量值,网络设备的流量值为输入到网络设备的所有流量的和,或自网络设备输出的所有流量的和。
在一些实施例中,节点与邻居节点之间的权重值,是在图神经网络训练过程中确定的。
在一些实施例中,图神经网络包括输入层、中间层和输出层;
网络拓扑与输入层的拓扑对应,输入层的结构与中间层对应,输入层节点的输出为与其对应的中间层节点的输入;
输出层的每个神经元与中间层的节点连接,输出层的神经元用于输出网络流量的特征信息。
在一些实施例中,图神经网络的输出层上还叠加有解码神经网络;
解码神经网络用于从低维度的输出特征构造出与输入结构对应的流量数据。
在一些实施例中,该网络流量特征提取装置600,还可以包括:
流量设置模块,用于当网络设备所在的转发节点发生故障或转发节点对应的链路出现故障时,将转发节点或链路对应的流量值设为零。
在一些实施例中,该网络流量特征提取装置600,还可以包括:
流量分类模块,用于基于网络流量的特征,确定网络流量的类别。
本申请实施例提供的网络流量特征提取装置,可以用于执行上述各方法实施例提供的网络流量特征提取方法,其实现原理和技术效果类似,为简介起见,在此不再赘述。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元710执行,使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元710可以执行上述方法实施例如下步骤:
基于网络拓扑,构建图神经网络,图神经网络的拓扑与网络拓扑对应;
基于网络设备在网络拓扑中的位置,将网络设备的流量值输入到图神经网络的输入层节点,得到网络流量的特征信息。
作为一个示例,这里处理单元710可以是上述方法实施例的执行主体,可以用于执行上述方法实施例的各步骤,具体步骤内容在此不再赘述。
作为另一个示例,这里处理单元710也可以协同电子设备700的其它部件,共同完成上述方法实施例的各步骤,对于各步骤的内容详见上述方法实施例,在此不再赘述。
存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204,这样的程序模块7205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备740(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备700交互的设备通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器760通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中,计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可选地,计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
在具体实施时,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (11)
1.一种网络流量特征提取方法,其特征在于,所述方法包括:
基于网络拓扑,构建图神经网络,所述图神经网络的拓扑与所述网络拓扑对应;
基于网络设备在所述网络拓扑中的位置,将所述网络设备的流量值输入到图神经网络的输入层节点,得到所述网络流量的特征信息。
2.根据权利要求1所述的方法,其特征在于,所述网络流量的特征信息为,所述图神经网络基于所述节点输入的流量、所述节点的邻居节点输入的流量、所述节点与所述邻居节点之间的权重值计算得到的。
3.根据权利要求2所述的方法,其特征在于,所述基于网络设备在所述网络拓扑中的位置,将所述网络设备的流量值输入到图神经网络的输入层节点之前,所述方法还包括:
计算所述网络设备的流量值,所述网络设备的流量值为输入到所述网络设备的所有流量的和,或自所述网络设备输出的所有流量的和。
4.根据权利要求2所述的方法,其特征在于,所述节点与所述邻居节点之间的权重值,是在所述图神经网络训练过程中确定的。
5.根据权利要求1所述的方法,其特征在于,所述图神经网络包括输入层、中间层和输出层;
所述网络拓扑与所述输入层的拓扑对应,所述输入层的结构与所述中间层对应,所述输入层节点的输出为与其对应的中间层节点的输入;
所述输出层的每个神经元与所述中间层的节点连接,所述输出层的神经元用于输出所述网络流量的特征信息。
6.根据权利要求5所述的方法,其特征在于,所述图神经网络的输出层上还叠加有解码神经网络;
所述解码神经网络用于从低维度的输出特征构造出与输入结构对应的流量数据。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
当网络设备所在的转发节点发生故障或所述转发节点对应的链路出现故障时,将所述转发节点或链路对应的流量值设为零。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述网络流量的特征,确定所述网络流量的类别。
9.一种网络流量特征提取装置,其特征在于,所述装置包括:
网络构建模块,用于基于网络拓扑,构建图神经网络,所述图神经网络的拓扑与所述网络拓扑对应;
特征提取模块,用于基于网络设备在所述网络拓扑中的位置,将所述网络设备的流量值输入到图神经网络的输入层节点,得到所述网络流量的特征信息。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~8中任意一项所述的网络流量特征提取方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~8中任意一项所述的网络流量特征提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111582890.8A CN114374655A (zh) | 2021-12-22 | 2021-12-22 | 网络流量特征提取方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111582890.8A CN114374655A (zh) | 2021-12-22 | 2021-12-22 | 网络流量特征提取方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114374655A true CN114374655A (zh) | 2022-04-19 |
Family
ID=81140919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111582890.8A Pending CN114374655A (zh) | 2021-12-22 | 2021-12-22 | 网络流量特征提取方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114374655A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115695280A (zh) * | 2022-09-06 | 2023-02-03 | 中国电信股份有限公司 | 基于边缘节点的路由方法及装置、电子设备、存储介质 |
CN115776445A (zh) * | 2023-02-10 | 2023-03-10 | 中科南京软件技术研究院 | 面向流量迁移的节点识别方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108234198A (zh) * | 2017-12-19 | 2018-06-29 | 清华大学 | 一种基站流量预测方法和设备 |
US20190378008A1 (en) * | 2018-06-11 | 2019-12-12 | Inait Sa | Encoding and decoding information |
CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
CN112529148A (zh) * | 2020-11-20 | 2021-03-19 | 郑州轻工业大学 | 一种基于图神经网络的智能QoS推理方法 |
CN112906982A (zh) * | 2021-03-22 | 2021-06-04 | 哈尔滨理工大学 | 一种基于gnn-lstm结合的网络流量预测方法 |
CN113158543A (zh) * | 2021-02-02 | 2021-07-23 | 浙江工商大学 | 一种软件定义网络性能智能预测方法 |
-
2021
- 2021-12-22 CN CN202111582890.8A patent/CN114374655A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108234198A (zh) * | 2017-12-19 | 2018-06-29 | 清华大学 | 一种基站流量预测方法和设备 |
US20190378008A1 (en) * | 2018-06-11 | 2019-12-12 | Inait Sa | Encoding and decoding information |
CN112529148A (zh) * | 2020-11-20 | 2021-03-19 | 郑州轻工业大学 | 一种基于图神经网络的智能QoS推理方法 |
CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
CN113158543A (zh) * | 2021-02-02 | 2021-07-23 | 浙江工商大学 | 一种软件定义网络性能智能预测方法 |
CN112906982A (zh) * | 2021-03-22 | 2021-06-04 | 哈尔滨理工大学 | 一种基于gnn-lstm结合的网络流量预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115695280A (zh) * | 2022-09-06 | 2023-02-03 | 中国电信股份有限公司 | 基于边缘节点的路由方法及装置、电子设备、存储介质 |
CN115776445A (zh) * | 2023-02-10 | 2023-03-10 | 中科南京软件技术研究院 | 面向流量迁移的节点识别方法、装置、设备及存储介质 |
CN115776445B (zh) * | 2023-02-10 | 2023-06-30 | 中科南京软件技术研究院 | 面向流量迁移的节点识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363449B (zh) | 一种风险识别方法、装置及系统 | |
CN111066021B (zh) | 使用随机文档嵌入的文本数据表示学习 | |
CN110569359B (zh) | 识别模型的训练及应用方法、装置、计算设备及存储介质 | |
CN112232524B (zh) | 多标签信息的识别方法、装置、电子设备和可读存储介质 | |
CN110297911A (zh) | 物联网(iot)计算环境中认知数据管护的方法和系统 | |
CN107615275A (zh) | 估计用于运行数据挖掘服务的计算资源 | |
CN110555298B (zh) | 验证码识别模型训练及识别方法、介质、装置、计算设备 | |
CN114374655A (zh) | 网络流量特征提取方法、装置、设备及存储介质 | |
US20210279279A1 (en) | Automated graph embedding recommendations based on extracted graph features | |
CN109697451A (zh) | 相似图像聚类方法及装置、存储介质、电子设备 | |
CN116010684A (zh) | 物品推荐方法、装置及存储介质 | |
CN112749300B (zh) | 用于视频分类的方法、装置、设备、存储介质和程序产品 | |
Liang et al. | Survey of graph neural networks and applications | |
CN111338897A (zh) | 应用主机中异常节点的识别方法、监测设备和电子设备 | |
CN113344700A (zh) | 一种基于多目标优化的风控模型构建方法、装置和电子设备 | |
JP2021512387A (ja) | 量子コンピューティング・デバイス設計 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN111190967B (zh) | 用户多维度数据处理方法、装置及电子设备 | |
CN108564134B (zh) | 数据处理方法、装置、计算设备和介质 | |
CN115034379A (zh) | 一种因果关系确定方法及相关设备 | |
US20220101120A1 (en) | Interpretable visualization system for graph neural network | |
CN110782128B (zh) | 一种用户职业标签生成方法、装置和电子设备 | |
US20210216545A1 (en) | Automated management of data transformation flows based on semantics | |
US11783221B2 (en) | Data exposure for transparency in artificial intelligence | |
US20230169358A1 (en) | Continuous knowledge graph for links and weight predictions |
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 |