CN114528946A - 一种自治域系统同胞关系识别方法 - Google Patents

一种自治域系统同胞关系识别方法 Download PDF

Info

Publication number
CN114528946A
CN114528946A CN202210188178.8A CN202210188178A CN114528946A CN 114528946 A CN114528946 A CN 114528946A CN 202210188178 A CN202210188178 A CN 202210188178A CN 114528946 A CN114528946 A CN 114528946A
Authority
CN
China
Prior art keywords
autonomous domain
node
domain system
feature
contribution
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
CN202210188178.8A
Other languages
English (en)
Other versions
CN114528946B (zh
Inventor
王玮
郑子为
叶朝阳
张士聪
顾晨辉
郭丹妮
张朝阳
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.)
Zhejiang New Internet Switching Center Co ltd
Zhejiang University ZJU
Original Assignee
Zhejiang New Internet Switching Center Co ltd
Zhejiang University ZJU
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 Zhejiang New Internet Switching Center Co ltd, Zhejiang University ZJU filed Critical Zhejiang New Internet Switching Center Co ltd
Publication of CN114528946A publication Critical patent/CN114528946A/zh
Application granted granted Critical
Publication of CN114528946B publication Critical patent/CN114528946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/243Classification techniques relating to the number of classes
    • G06F18/24323Tree-organised classifiers
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种自治域系统同胞关系识别方法,步骤为:对CAIDA等开源数据集与现网路由数据进行特征提取,获得自治域系统的多维度特征信息,通过树集成学习算法训练得到多种特征组合下的识别准确率,计算不同特征对识别准确率的重要性。进行特征处理筛选,基于特征重要性分析结果,进行特征筛选构造决策树,有效提升了自治域系统同胞关系的识别准确率。本发明适用于互联网路由安全及自治域系统商业关系分析。

Description

一种自治域系统同胞关系识别方法
技术领域
本发明涉及网络安全领域,具体涉及一种自治域系统同胞关系识别方法。
背景技术
进入互联网商业化时代之后,不同服务机构之间的自治域系统(AutonomousSystem,AS)通过一定的商业合作来实现互联网中流量的管理与控制。其中边际网关协议是自治域系统之间的路由协议,可以让每个自治域系统自主地设置路由策略,用于选择路由和宣告路由信息。整个互联网的自治域系统基于其在网络拓扑中的位置关系可以分为末端自治域、过渡自治域和多宿主自治域三种,其中末端自治域只会与另外的一个自治域连接,过渡自治域会为其它自治域提供流量穿越服务,而多宿主自治域则是与其它多个自治域连接。
互联网中自治域关系主要可以抽象为P2C(Provider-to-Customer,提供者-客户)、P2P(Peering-to-Peering,对等体-对等体)和S2S(Sibling-to-Sibling,同胞-同胞)三类。具体来说:
A)P2C:提供者自治域系统为消费者自治域系统提供流量的全局可达性,消费者自治域系统则向提供者自治域系统支付费用。
B)P2P:两个自治域系统免费交换彼此与消费者自治域系统产生的流量,但是不交换它们和提供者或者对等体产生的流量。
C)S2S:两个自治域系统属于相同的机构,它们会免费交换所有流量,包括与提供者、消费者、对等体和兄弟。
全面而准确的自治域关系可以辅助建立有效的网络资源分配部署和流量管理工作,进而均衡网络负载,提高网络服务的可靠性与安全性,降低网络运维成本。同时基于全面准确的自治域关系,可以设计新的网络协议和网络建构,促进互联网演进优化。
但是由于自治域系统之间的商业关系涉及到商业敏感信息,并且注册信息更新和维护不及时等原因,公共的自治域系统商业关系并不全面和可靠。业界也有一些研究基础,比如AS-RANK、Problink、Toposcope等,但均有自身的缺陷,实际使用中限制较多。传统的互联网拓扑关系图是基于不同AS之间的对应关系进行构建的,基于商业利益的考虑,被研究最广泛的业务关系是P2P和P2C,因为前者促进了合作互惠,后者则通过服务伴随货币交易,S2S则往往被忽视。但在路由通告过程中,相同组织中的不同自治域系统通告同一IP前缀的现象广泛存在,而这种现象会对路由前缀劫持的检测识别带来直接影响,导致大量伪路由劫持事件。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种自治域系统同胞关系识别方法。
自治域系统同胞关系识别方法,步骤如下:
分析处理数据集,根据自治域系统信息及现网路由数据,提取自治域系统特征信息,包括全局度、过渡度、自治域系统类别、自治域系统层次、到自治域系统路径起点的距离、自治域系统地理位置、自治域系统客户锥;
分析AS-to-org数据集,获取注册的自治域系统同胞关系数据集,使用K折交叉验证进行训练集验证集划分。
将上述特征信息作为输入,通过XGBoost算法进行训练学习,XGBoost模型目标函数为:
Figure 208920DEST_PATH_IMAGE002
其中
Figure DEST_PATH_IMAGE003
是第t棵树的模型预测结果,
Figure 527381DEST_PATH_IMAGE004
是第t-1棵树的模型预测结果,
Figure DEST_PATH_IMAGE005
是样本i的实际值,函数
Figure 923727DEST_PATH_IMAGE006
是损失函数,
Figure DEST_PATH_IMAGE007
是模型正则项,控制模型的复杂度。
基于合作博弈论,分析在XGBoost模型中自治域系统每个特征的重要性,计算单个特征对识别自治域系统同胞关系的贡献,依此来衡量特征对识别准确率的影响,第
Figure 141213DEST_PATH_IMAGE008
个特征的计算公式如下:
Figure 318117DEST_PATH_IMAGE010
其中
Figure DEST_PATH_IMAGE011
表示自治域系统特征集合,
Figure 380882DEST_PATH_IMAGE012
表示出现自治域系统特征子集
Figure DEST_PATH_IMAGE013
的概率,作为在特征子集
Figure 975942DEST_PATH_IMAGE013
基础上增加第
Figure 754542DEST_PATH_IMAGE008
个特征带来的输出增益的权重,
Figure 418742DEST_PATH_IMAGE014
表示在自治域系统特征子集
Figure 940990DEST_PATH_IMAGE013
对识别自治域系统同胞关系的贡献。
Figure 145486DEST_PATH_IMAGE014
的计算流程如下:给定一颗决策树
Figure DEST_PATH_IMAGE015
,其中向量
Figure 157304DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE017
分别表示树节点的左子节点和右子节点索引,向量
Figure 856270DEST_PATH_IMAGE018
表示节点分裂的特征,向量
Figure DEST_PATH_IMAGE019
表示节点上分裂的特征阈值,向量
Figure 995258DEST_PATH_IMAGE020
表示节点包含的样本数,即多少样本落在以该节点为根节点的子树中;用递归方式计算决策树的根节点的贡献值,在决策树上从根向叶搜索,最后得到根节点的贡献;如果节点
Figure DEST_PATH_IMAGE021
是叶节点,那么返回该节点的贡献值,即节点上所有样本标签的累计和;如果该节点不是叶节点,则判断该节点分裂的特征
Figure 17441DEST_PATH_IMAGE022
是否属于特征子集
Figure 13210DEST_PATH_IMAGE013
;如果属于特征子集
Figure 527368DEST_PATH_IMAGE013
,则根据该节点的特征阈值
Figure DEST_PATH_IMAGE023
进行分割,分到左边使用左子节点
Figure 60593DEST_PATH_IMAGE024
的贡献值,分到右边使用右子节点
Figure DEST_PATH_IMAGE025
的贡献值;如果不属于特征子集
Figure 937282DEST_PATH_IMAGE013
,则根据左右子节点的包含的样本数
Figure 494165DEST_PATH_IMAGE026
Figure DEST_PATH_IMAGE027
为权重,计算左右子节点的贡献值之和,作为节点
Figure 902144DEST_PATH_IMAGE021
的贡献值;最后决策树根节点的贡献值即为
Figure 569886DEST_PATH_IMAGE014
基于自治域系统特征重要性,选择重要性高的部分特征作为特征子集构造决策树,通过决策树获得自治域系统同胞关系的识别结果。
本发明的有益效果:
本发明通过对CAIDA等开源数据集与现网路由数据的特征提取,获得自治域系统的多维度特征信息,通过树集成学习算法训练得到多种特征组合下的识别准确率,计算不同特征对识别准确率的重要性,基于特征重要性分析结果,进行特征筛选构造决策树,设计出一种自治域系统同胞关系识别方法,考虑了不同特征值对同胞关系预测贡献的差异性,可以通过少量自治域系统特征获得较高的预测准确率,能够有效识别自治域系统同胞关系。
附图说明
图1是基于特征重要性分析获得的算法模型中的特征重要程度。
图2是分析中具体特征经度对实际预测的贡献,不同经度的值对样本的预测结果不一样的影响,例如可以发现经度相近时样本更趋向阳性。
图3 是不同数量特征的模型在训练集和测试集上的AUC曲线的对比。
具体实施方式
以下结合附图和实施例进一步说明本发明。
针对自治域系统同胞关系的识别方法中,系统通过将自治域系统的特征属性作为输入,基于学习获得的模型,对自治域系统间的同胞关系进行识别。本发明考虑了不同特征值对自治域系统同胞关系预测贡献的差异性,基于合作博弈论,分析在XGBoost模型中自治域系统每个特征的重要性,计算单个特征对识别自治域系统同胞关系的贡献,依此来衡量特征对识别准确率的影响,形成了能有效识别自治域系统同胞关系的模型。
针对自治域系统同胞关系的识别方法,包括以下步骤:
步骤1:特征选择:根据自治域系统信息及现网路由数据,提取自治域系统特征信息,包括全局度、过渡度、自治域系统类别、自治域系统层次、到自治域系统路径起点的距离、自治域系统地理位置、自治域系统客户锥;
步骤2:分析AS-to-org数据集,获取注册的自治域系统同胞关系数据集,使用K折交叉验证进行数据集验证集划分,将上述特征信息作为输入,基于树集成学习算法进行训练学习;
步骤3:基于合作博弈论,分析在XGBoost模型中自治域系统每个特征的重要性,计算单个特征对识别自治域系统同胞关系的贡献,依此来衡量特征对识别准确率的影响;
步骤4:基于上述特征重要性分析结果,选择重要性高的部分特征作为特征子集构造决策树,通过决策树获得自治域系统同胞关系的识别结果。
作为一个较好的实施例子,首先对CAIDA等开源数据集与现网路由数据进行特征提取,获得自治域系统特征信息。其中与节点度、自治域系统客户锥有关的特征从CAIDA数据源中获取,该部分特征可以描述节点重要性,并且反映应用服务器的客户服务规模和合作程度。自治域系统类别、自治域系统层次、自治域系统地理位置等信息也可以从CAIDA数据源中获取,用于描述自治域系统的职能与分布信息。到自治域系统路径起点的距离等信息从现网路由数据中获取,通过对自治域系统路径的分析,求出每个自治域系统到路径起点距离的平均值、最大值、最小值等信息。
分析AS-to-org数据集,将数据表中`as_organization_info`中org_id字段相同(即所属同一组织)的两个自治域系统视为一对同胞关系,统计整理注册的自治域系统同胞关系数据集,使用K折交叉验证进行训练集验证集划分。
将上述特征信息作为输入,通过XGBoost算法进行训练学习,模型目标函数为:
Figure 317393DEST_PATH_IMAGE002
其中
Figure 45178DEST_PATH_IMAGE003
是第t棵树的模型预测结果,
Figure 392982DEST_PATH_IMAGE004
是第t-1棵树的模型预测结果,
Figure 864415DEST_PATH_IMAGE005
是样本i的实际值,函数
Figure 732008DEST_PATH_IMAGE006
是损失函数,
Figure 630694DEST_PATH_IMAGE007
是模型正则项,控制模型的复杂度。
基于合作博弈论,分析在XGBoost模型中自治域系统每个特征的重要性,计算单个特征对识别自治域系统同胞关系的贡献,依此来衡量特征对识别准确率的影响,第
Figure 200215DEST_PATH_IMAGE008
个特征的计算公式如下:
Figure 209760DEST_PATH_IMAGE010
其中
Figure 397771DEST_PATH_IMAGE011
表示步骤1中获得的自治域系统特征集合,
Figure 326413DEST_PATH_IMAGE012
表示出现自治域系统特征子集
Figure 524176DEST_PATH_IMAGE013
的概率,作为在特征子集
Figure 947198DEST_PATH_IMAGE013
基础上增加第
Figure 914017DEST_PATH_IMAGE008
个特征带来的输出增益的权重,
Figure 13560DEST_PATH_IMAGE014
表示在自治域系统特征子集
Figure 964199DEST_PATH_IMAGE013
对识别自治域系统同胞关系的贡献。
Figure 190912DEST_PATH_IMAGE014
的计算流程如下:给定一颗决策树
Figure 12237DEST_PATH_IMAGE015
,其中向量
Figure 548261DEST_PATH_IMAGE016
Figure 455037DEST_PATH_IMAGE017
分别表示树节点的左子节点和右子节点索引,向量
Figure 423124DEST_PATH_IMAGE018
表示节点分裂的特征,向量
Figure 489169DEST_PATH_IMAGE019
表示节点上分裂的特征阈值,向量
Figure 71460DEST_PATH_IMAGE020
表示节点包含的样本数,即多少样本落在以该节点为根节点的子树中;用递归方式计算决策树的根节点的贡献值,在决策树上从根向叶搜索,最后得到根节点的贡献;如果节点
Figure 541231DEST_PATH_IMAGE021
是叶节点,那么返回该节点的贡献值,即节点上所有样本标签的累计和;如果该节点不是叶节点,则判断该节点分裂的特征
Figure 359015DEST_PATH_IMAGE022
是否属于特征子集
Figure 154932DEST_PATH_IMAGE013
;如果属于特征子集
Figure 49070DEST_PATH_IMAGE013
,则根据该节点的特征阈值
Figure 930438DEST_PATH_IMAGE023
进行分割,分到左边使用左子节点
Figure 286333DEST_PATH_IMAGE024
的贡献值,分到右边使用右子节点
Figure 936758DEST_PATH_IMAGE025
的贡献值;如果不属于特征子集
Figure 736217DEST_PATH_IMAGE013
,则根据左右子节点的包含的样本数
Figure 104882DEST_PATH_IMAGE026
Figure 467730DEST_PATH_IMAGE027
为权重,计算左右子节点的贡献值之和,作为节点
Figure 848027DEST_PATH_IMAGE021
的贡献值;最后决策树根节点的贡献值即为
Figure 943022DEST_PATH_IMAGE014
基于上述特征重要性分析结果,选择重要性高的部分特征作为特征子集构造决策树,通过决策树获得自治域系统同胞关系的识别结果,通过cv函数进行参数调优。首先调试max_depth和min_child_weight参数组合,先给出一个大范围,然后在慢慢缩小范围,然后接着类似调整其他参数,都遵循先从大范围开始,慢慢缩小范围的原则。
作为一个较好的实施例子,具体选择如下特征作为系统输入:全局度、过渡度、提供者数、对等体数、客户数、兄弟数、节点网络层次、到VP的平均距离、到VP的最大距离、到VP的最小距离、AS类型、AS排名、经度、纬度、锥AS数、锥前缀数、锥地址数、宣告地址数、宣告前缀数。数据集包括11553条自治域系统同胞关系(正样本)和10084条非自治域系统同胞关系(负样本),并且通过使用5折交叉验证进行训练集验证集划分,有效避免过拟合和欠拟合状态的发生。
首先将训练集输入XGBoost算法模型中进行训练,目标函数属性选择“binary:logistic”, eval_metric属性选择“auc”,其他属性例如max_depth、learning_rate、gamma等适当调整。然后分析自治域系统的每个特征的重要性,计算每个特征对识别自治域系统同胞关系的贡献,结果如图1。其中经度与维度表示自治域系统实际地理位置,该部分特征对模型预测重要程度较高,说明自治域系统的地理位置对自治域系统同胞关系的识别影响较大,AS排名表示自治域系统在网络拓扑中的重要性,该特征比较重要说明自治域系统拓扑信息对自治域系统同胞关系的识别影响较大。针对具体特征经度的重要性分析如图2,可以看出在经度特征趋近于0或者360时,比较偏向于是自治域系统同胞关系,这表明当两个自治域系统地理位置比较相近时,更可能是自治域系统同胞关系,位置比较远时不是自治域系统同胞关系,其中360是因为经度特征范围是(-180,180),两者位置相近时也可能差值接近360。图3表示选择不同数量的特征对于模型性能的影响,本算法在训练集上的AUC接近99%,在测试集上的AUC接近97%,都有较好的性能表现。同时基于特征重要性分析结果,分别保留50%特征和25%特征验证模型效果,结果表明在特征数量大大降低的情况下对模型性能影响较小,说明特征重要性分析的有效性,并且可以在计算量和特征种类数较低时获得较好的模型性能。
上述描述中的实施方案可以进一步组合或者替换,且实施方案仅仅是对本发明的优选实施例进行描述,并非对本发明的构思和范围进行限定,在不脱离本发明设计思想的前提下,本领域普通技术人员对本发明的技术方案做出的各种变化和改进,均属于本发明的保护范围。本发明的保护范围由所附权利要求及其任何等同物给出。

Claims (2)

1.一种自治域系统同胞关系识别方法,其特征在于,包括如下步骤:
1)特征选择:根据自治域系统信息及现网路由数据,提取自治域系统特征信息,包括全局度、过渡度、自治域系统类别、自治域系统层次、到自治域系统路径起点的距离、自治域系统地理位置、自治域系统客户锥;
2)基于合作博弈论,分析在XGBoost模型中自治域系统每个特征的重要性,计算单个特征对识别自治域系统同胞关系的贡献,依此来衡量特征对识别准确率的影响;
3)基于自治域系统特征重要性,选择重要性高的部分特征作为特征子集构造决策树,通过决策树获得自治域系统同胞关系的识别结果,其中,决策树包含的特征数取决于计算能力和性能需求。
2.根据权利要求1所述的自治域系统同胞关系识别方法,其特征在于,步骤2所述的计算单个特征对识别自治域系统同胞关系贡献,步骤如下:
Figure DEST_PATH_IMAGE002
个特征的计算公式如下:
Figure DEST_PATH_IMAGE004
其中
Figure DEST_PATH_IMAGE006
表示步骤1中获得的自治域系统特征集合,
Figure DEST_PATH_IMAGE008
表示出现自治域系统特征子集
Figure DEST_PATH_IMAGE010
的概率,作为在特征子集
Figure 620770DEST_PATH_IMAGE010
基础上增加第
Figure 616539DEST_PATH_IMAGE002
个特征带来的输出增益的权重,
Figure DEST_PATH_IMAGE012
表示在自治域系统特征子集
Figure 989751DEST_PATH_IMAGE010
对识别自治域系统同胞关系的贡献;
Figure 666851DEST_PATH_IMAGE012
的计算流程如下:给定一颗决策树
Figure DEST_PATH_IMAGE014
,其中向量
Figure DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE018
分别表示树节点的左子节点和右子节点索引,向量
Figure DEST_PATH_IMAGE020
表示节点分裂的特征,向量
Figure DEST_PATH_IMAGE022
表示节点上分裂的特征阈值,向量
Figure DEST_PATH_IMAGE024
表示节点包含的样本数,即多少样本落在以该节点为根节点的子树中;用递归方式计算决策树的根节点的贡献值,在决策树上从根向叶搜索,最后得到根节点的贡献;如果节点
Figure DEST_PATH_IMAGE026
是叶节点,那么返回该节点的贡献值,即节点上所有样本标签的累计和;如果该节点不是叶节点,则判断该节点分裂的特征
Figure DEST_PATH_IMAGE028
是否属于特征子集
Figure 510917DEST_PATH_IMAGE010
;如果属于特征子集
Figure 598959DEST_PATH_IMAGE010
,则根据该节点的特征阈值
Figure DEST_PATH_IMAGE030
进行分割,分到左边使用左子节点
Figure DEST_PATH_IMAGE032
的贡献值,分到右边使用右子节点
Figure DEST_PATH_IMAGE034
的贡献值;如果不属于特征子集
Figure 348216DEST_PATH_IMAGE010
,则根据左右子节点的包含的样本数
Figure DEST_PATH_IMAGE036
Figure DEST_PATH_IMAGE038
为权重,计算左右子节点的贡献值之和,作为节点
Figure 688061DEST_PATH_IMAGE026
的贡献值;最后决策树根节点的贡献值即为
Figure 888098DEST_PATH_IMAGE012
CN202210188178.8A 2021-12-16 2022-02-28 一种自治域系统同胞关系识别方法 Active CN114528946B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021115371752 2021-12-16
CN202111537175 2021-12-16

Publications (2)

Publication Number Publication Date
CN114528946A true CN114528946A (zh) 2022-05-24
CN114528946B CN114528946B (zh) 2022-10-04

Family

ID=81625755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210188178.8A Active CN114528946B (zh) 2021-12-16 2022-02-28 一种自治域系统同胞关系识别方法

Country Status (1)

Country Link
CN (1) CN114528946B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7027430B1 (en) * 1998-10-29 2006-04-11 Nortel Networks Limited Communication network utilizing autonomous servers to establish a communication session
CN101163109A (zh) * 2007-11-14 2008-04-16 中国科学院计算技术研究所 一种自治系统级网络路由拓扑构建方法
CN101388837A (zh) * 2007-09-13 2009-03-18 华为技术有限公司 路由选择方法、业务网络、网络设备及终端
CN101567796A (zh) * 2009-05-19 2009-10-28 中兴通讯股份有限公司 一种内容分片的多媒体网络及其业务方法
CN103236978A (zh) * 2013-04-17 2013-08-07 清华大学 As拓扑顶层自治系统结点的确定方法和装置
CN104124683A (zh) * 2014-07-25 2014-10-29 国家电网公司 一种自治电力系统架构及其运行控制方法
CN105228257A (zh) * 2015-09-30 2016-01-06 江苏中兴微通信息科技有限公司 一种基于隐藏节点对的s2s通信方法
CN109886556A (zh) * 2019-01-25 2019-06-14 中国电子科技集团公司第三十研究所 一种基于结构和功能特征的自治系统重要性评价方法
CN111865698A (zh) * 2020-07-30 2020-10-30 中国电子信息产业集团有限公司第六研究所 一种基于地理信息的自治域级互联网拓扑可视化方法
CN112737885A (zh) * 2020-12-28 2021-04-30 鹏城实验室 一种自治域内自管理的bgp异常检测方法
CN112950231A (zh) * 2021-03-19 2021-06-11 广州瀚信通信科技股份有限公司 一种基于XGBoost算法的异常用户识别方法、设备及计算机可读存储介质
CN113225194A (zh) * 2020-01-21 2021-08-06 华为技术有限公司 路由异常检测方法、装置及系统、计算机存储介质
CN113221112A (zh) * 2021-05-28 2021-08-06 广州大学 基于弱相关集成策略的恶意行为识别方法、系统和介质
CN113516297A (zh) * 2021-05-26 2021-10-19 平安国际智慧城市科技股份有限公司 基于决策树模型的预测方法、装置和计算机设备

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7027430B1 (en) * 1998-10-29 2006-04-11 Nortel Networks Limited Communication network utilizing autonomous servers to establish a communication session
CN101388837A (zh) * 2007-09-13 2009-03-18 华为技术有限公司 路由选择方法、业务网络、网络设备及终端
CN101163109A (zh) * 2007-11-14 2008-04-16 中国科学院计算技术研究所 一种自治系统级网络路由拓扑构建方法
CN101567796A (zh) * 2009-05-19 2009-10-28 中兴通讯股份有限公司 一种内容分片的多媒体网络及其业务方法
CN103236978A (zh) * 2013-04-17 2013-08-07 清华大学 As拓扑顶层自治系统结点的确定方法和装置
CN104124683A (zh) * 2014-07-25 2014-10-29 国家电网公司 一种自治电力系统架构及其运行控制方法
CN105228257A (zh) * 2015-09-30 2016-01-06 江苏中兴微通信息科技有限公司 一种基于隐藏节点对的s2s通信方法
CN109886556A (zh) * 2019-01-25 2019-06-14 中国电子科技集团公司第三十研究所 一种基于结构和功能特征的自治系统重要性评价方法
CN113225194A (zh) * 2020-01-21 2021-08-06 华为技术有限公司 路由异常检测方法、装置及系统、计算机存储介质
CN111865698A (zh) * 2020-07-30 2020-10-30 中国电子信息产业集团有限公司第六研究所 一种基于地理信息的自治域级互联网拓扑可视化方法
CN112737885A (zh) * 2020-12-28 2021-04-30 鹏城实验室 一种自治域内自管理的bgp异常检测方法
CN112950231A (zh) * 2021-03-19 2021-06-11 广州瀚信通信科技股份有限公司 一种基于XGBoost算法的异常用户识别方法、设备及计算机可读存储介质
CN113516297A (zh) * 2021-05-26 2021-10-19 平安国际智慧城市科技股份有限公司 基于决策树模型的预测方法、装置和计算机设备
CN113221112A (zh) * 2021-05-28 2021-08-06 广州大学 基于弱相关集成策略的恶意行为识别方法、系统和介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SONGTAO PENG ET AL: ""Inferring Multiple Relationships between ASes using Graph Convolutional Network"", 《ARXIV:2107.13504V1 [CS.NI]》 *
TAL SHAPIRA ET AL: ""Unveiling the Type of Relationship Between Autonomous Systems Using Deep Learning"", 《IEEE》 *
郭毅 等: ""基于博弈的域间路由协同监测激励策略"", 《中国科学》 *
陈迪 等: ""基于自治域协同的域间路由信誉模型"", 《中国科学》 *

Also Published As

Publication number Publication date
CN114528946B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
Jayasinghe et al. Rpr: A trust computation model for social internet of things
US20140143329A1 (en) Discovering signature of electronic social networks
WO2022247955A1 (zh) 非正常账号识别方法、装置、设备和存储介质
CN110648172B (zh) 一种融合多种移动设备的身份识别方法和系统
CN112566093B (zh) 一种终端关系识别方法、装置、计算机设备及存储介质
CN107786388A (zh) 一种基于大规模网络流数据的异常检测系统
CN110224859A (zh) 用于识别团伙的方法和系统
CN114338064A (zh) 识别网络流量类型的方法、装置、设备和存储介质
CN105335476B (zh) 一种热点事件分类方法及装置
Ding et al. Gnn-geo: A graph neural network-based fine-grained ip geolocation framework
CN114611081B (zh) 账号类型识别方法、装置、设备、存储介质及产品
CN105873119A (zh) 一种移动网络用户群体流量使用行为的分类方法
CN113645238B (zh) 一种面向Handle标识体系的DDoS防御方法
He et al. A hierarchical matrix factorization approach for location-based web service QoS prediction
CN114528946B (zh) 一种自治域系统同胞关系识别方法
Manogaran et al. Deep learning-based service distribution model for wireless network assisted Internet of Everything
CN114866301B (zh) 基于直推图的加密流量识别与分类方法及系统
Li et al. ProbInfer: Probability-based AS path inference from multigraph perspective
Wang et al. A dynamic traffic awareness system for urban driving
Sharma et al. A review on opinion leader detection and its applications
CN112449371A (zh) 一种无线路由器的性能评测方法及电子设备
CN111177526A (zh) 网络意见领袖识别方法及装置
CN116091133A (zh) 一种目标对象属性的识别方法、装置及存储介质
Krishnamurthy et al. Segregation in social networks: Markov bridge models and estimation
CN115277436B (zh) 一种基于拓扑结构的微服务软件架构识别方法

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