CN114884843B - 一种基于网络视听新媒体的流量监测系统 - Google Patents

Abstract

本发明实施例涉及流量监测技术领域，具体公开了一种基于网络视听新媒体的流量监测系统。本发明实施例公开的一种基于网络视听新媒体的流量监测系统，包括：监测模型构建单元；异常初始监测单元；流量特征分析单元；流量特征筛选单元；流量实时监测单元。能够基于大数据，构建流量监测模型，通过在初始化时期进行异常流量初始监测，标记异常流量数据，获取多个目标异常流量特征，构建异常特征识别集，进而通过异常特征识别集和流量监测模型，在初始化时期外，对实时获取的新媒体流量先后进行异常流量实时监测，从而能够对经常出现的异常流量快速识别，有效避免异常监测的堵塞，保障正常的流量数据的传输。

Description

一种基于网络视听新媒体的流量监测系统

技术领域

本发明属于流量监测技术领域，尤其涉及一种基于网络视听新媒体的流量监测系统。

背景技术

新媒体，是一个相对的概念，在媒介演变谱系的不同时间节点，广播之于报纸，电视之于广播，互联网之于广播电视和报纸，智能手机之于传统媒体，都可以被视为新媒体。随着数字技术、移动互联网技术的迅猛发展和广泛应用，网络视听新媒体以其音视结合的传播方式，丰富多彩的内容深受受众欢迎，影响力巨大。

然而，网络视听新媒体在极大丰富受众生活的同时，也存在诸多问题。在每天产生的庞大流量中，隐藏着巨大的异常流量，异常流量通常是由某一组织或者个人伪装用户行为产生的，这样的异常流量会扰乱正常的业务进，需要基于网络视听新媒体的流量监测系统，对异常流量进行监测。现有的基于网络视听新媒体的流量监测系统，通常设置有固定的监测方式，对每个流量数据进行固定的异常监测，在异常监测的过程中，需要花费的时间长，在流量数据较多时，容易造成异常监测的堵塞，影响正常的流量数据的传输。

发明内容

本发明实施例的目的在于提供一种基于网络视听新媒体的流量监测系统，旨在解决背景技术中提出的问题。

为实现上述目的，本发明实施例提供如下技术方案：

一种基于网络视听新媒体的流量监测系统，所述系统包括监测模型构建单元、异常初始监测单元、流量特征分析单元、流量特征筛选单元和流量实时监测单元，其中：

监测模型构建单元，用于基于大数据，获取并记录多个收集异常流量特征，根据多个所述收集异常流量特征，构建流量监测模型；

异常初始监测单元，用于接收初始化设置，获取初始化时期，在所述初始化时期中，按照所述流量监测模型进行异常流量初始监测，标记异常流量数据；

流量特征分析单元，用于对所述异常流量数据进行特征分析，得到多个监测异常流量特征和对应的异常频率；

流量特征筛选单元，用于按照多个所述异常频率，对多个所述监测异常流量特征进行特征筛选，得到多个目标异常流量特征，根据多个所述目标异常流量特征，构建异常特征识别集；

流量实时监测单元，用于在所述初始化时期外，实时获取新媒体流量的流量特征，按照所述异常特征识别集和所述流量监测模型，先后进行异常流量实时监测。

作为本发明实施例技术方案进一步的限定，所述监测模型构建单元具体包括：

特征获取模块，用于基于大数据，获取并记录多个收集异常流量特征；

特征分配模块，用于对多个所述收集异常流量特征进行随机分配，构成训练集和测试集；

模型构建模块，用于根据所述训练集和所述测试集，构建流量监测模型。

作为本发明实施例技术方案进一步的限定，所述异常初始监测单元具体包括：

初始化设置模块，用于接收初始化设置，生成初始化设置信息；

设置分析模块，用于对所述初始化设置信息分析，获取初始化时期；

初始监测模块，用于在所述初始化时期中，按照所述流量监测模型进行异常流量初始监测，标记异常流量数据。

作为本发明实施例技术方案进一步的限定，所述初始监测模块具体包括：

流量初始获取子模块，用于在所述初始化时期中，获取新媒体流量；

初始监测子模块，用于将新媒体流量导入至所述流量监测模型中，进行异常流量初始监测，生成初始监测结果；

异常判断子模块，用于按照所述初始监测结果，判断是否存在流量异常；

异常标记子模块，用于在存在流量异常时，标记异常流量数据。

作为本发明实施例技术方案进一步的限定，所述流量特征分析单元具体包括：

特征分析模块，用于对所述异常流量数据进行特征分析，得到多个监测异常流量特征；

频率记录模块，用于记录所述初始化时期中，多个所述监测异常流量特征对应的异常频率。

作为本发明实施例技术方案进一步的限定，所述流量特征筛选单元具体包括：

特征排列模块，用于按照多个所述异常频率，对多个所述监测异常流量特征进行排列，生成排列信息；

特征筛选模块，用于根据所述排列信息和预设的筛选信息，对多个所述监测异常流量特征进行特征筛选，得到多个目标异常流量特征；

识别集构建模块，用于根据多个所述目标异常流量特征，构建异常特征识别集。

作为本发明实施例技术方案进一步的限定，所述流量实时监测单元具体包括：

流量实时获取模块，用于在所述初始化时期外，实时获取新媒体流量；

特征实时分析模块，用于实时分析所述新媒体流量的流量特征；

实时监测模块，用于按照所述异常特征识别集和所述流量监测模型，先后进行异常流量实时监测。

作为本发明实施例技术方案进一步的限定，所述实时监测模块具体包括：

第一异常识别子模块，用于按照所述异常特征识别集，对流量特征进行异常识别，生成第一异常识别结果；

异常特征判断子模块，用于根据所述第一异常识别结果，判断所述流量特征是否为异常特征；

第二异常识别子模块，用于若所述流量特征不是异常特征，则根据所述流量监测模型进行异常监测识别，生成第二异常识别结果。

与现有技术相比，本发明的有益效果是：

本发明实施例公开的一种基于网络视听新媒体的流量监测系统，包括：监测模型构建单元；异常初始监测单元；流量特征分析单元；流量特征筛选单元；流量实时监测单元。能够基于大数据，构建流量监测模型，通过在初始化时期进行异常流量初始监测，标记异常流量数据，获取多个目标异常流量特征，构建异常特征识别集，进而通过异常特征识别集和流量监测模型，在初始化时期外，对实时获取的新媒体流量先后进行异常流量实时监测，从而能够对经常出现的异常流量快速识别，有效避免异常监测的堵塞，保障正常的流量数据的传输。

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。

图1示出了本发明实施例提供的系统的应用架构图。

图2示出了本发明实施例提供的系统中监测模型构建单元的结构框图。

图3示出了本发明实施例提供的系统中异常初始监测单元的结构框图。

图4示出了本发明实施例提供的系统中初始监测模块的结构框图。

图5示出了本发明实施例提供的系统中流量特征分析单元的结构框图。

图6示出了本发明实施例提供的系统中流量特征筛选单元的结构框图。

图7示出了本发明实施例提供的系统中流量实时监测单元的结构框图。

图8示出了本发明实施例提供的系统中实时监测模块的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

可以理解的是，在现有技术中，对于基于网络视听新媒体的流量监测系统，通常设置有固定的监测方式，对每个流量数据进行固定的异常监测，在异常监测的过程中，需要花费的时间长，在流量数据较多时，容易造成异常监测的堵塞，影响正常的流量数据的传输。

为解决上述问题，本发明实施例公开的一种基于网络视听新媒体的流量监测系统，包括：监测模型构建单元；异常初始监测单元；流量特征分析单元；流量特征筛选单元；流量实时监测单元。能够基于大数据，构建流量监测模型，通过在初始化时期进行异常流量初始监测，标记异常流量数据，获取多个目标异常流量特征，构建异常特征识别集，进而通过异常特征识别集和流量监测模型，在初始化时期外，对实时获取的新媒体流量先后进行异常流量实时监测，从而能够对经常出现的异常流量快速识别，有效避免异常监测的堵塞，保障正常的流量数据的传输。

图1示出了本发明实施例提供的系统的应用架构图。

具体的，一种基于网络视听新媒体的流量监测系统，包括：

监测模型构建单元101，用于基于大数据，获取并记录多个收集异常流量特征，根据多个所述收集异常流量特征，构建流量监测模型。

在本发明实施例中，监测模型构建单元101进行互联网连接，基于大数据技术，从互联网中获取多个收集异常流量特征，并将多个收集异常流量特征进行记录，按照预先设置的分配比例，将多个收集异常流量特征分配为训练集和测试集，通过训练集进行模型训练，通过测试集对训练之后的模型进行测试与优化，构建异常流量监测识别的流量监测模型。

具体的，图2示出了本发明实施例提供的系统中监测模型构建单元101的结构框图。

其中，在本发明提供的优选实施方式中，所述监测模型构建单元101具体包括：

特征获取模块1011，用于基于大数据，获取并记录多个收集异常流量特征。

特征分配模块1012，用于对多个所述收集异常流量特征进行随机分配，构成训练集和测试集。

模型构建模块1013，用于根据所述训练集和所述测试集，构建流量监测模型。

进一步的，所述基于网络视听新媒体的流量监测系统还包括：

异常初始监测单元102，用于接收初始化设置，获取初始化时期，在所述初始化时期中，按照所述流量监测模型进行异常流量初始监测，标记异常流量数据。

在本发明实施例中，异常初始监测单元102接收流量监测工作人员进行的初始化设置，生成初始化设置信息，通过对初始化设置信息进行分析，提取流量监测工作人员设置的初始化时期，在初始化时期中，进行异常流量初始监测，获取新媒体流量，将获取的新媒体流量导入流量监测模型中，通过流量监测模型对新媒体流量进行初始化异常流量监测识别，生成初始监测结果，按照初始监测结果，判断对应的新媒体流量是否存在流量异常，并在存在流量异常时，将对应的新媒体流量标记为异常流量数据，在不存在流量异常时，则不进行异常流量数据的标记。

具体的，图3示出了本发明实施例提供的系统中异常初始监测单元102的结构框图。

其中，在本发明提供的优选实施方式中，所述异常初始监测单元102具体包括：

初始化设置模块1021，用于接收初始化设置，生成初始化设置信息。

设置分析模块1022，用于对所述初始化设置信息分析，获取初始化时期。

初始监测模块1023，用于在所述初始化时期中，按照所述流量监测模型进行异常流量初始监测，标记异常流量数据。

具体的，图4示出了本发明实施例提供的系统中初始监测模块1023的结构框图。

其中，在本发明提供的优选实施方式中，所述初始监测模块1023具体包括：

流量初始获取子模块10231，用于在所述初始化时期中，获取新媒体流量。

初始监测子模块10232，用于将新媒体流量导入至所述流量监测模型中，进行异常流量初始监测，生成初始监测结果。

异常判断子模块10233，用于按照所述初始监测结果，判断是否存在流量异常。

异常标记子模块10234，用于在存在流量异常时，标记异常流量数据。

进一步的，所述基于网络视听新媒体的流量监测系统还包括：

流量特征分析单元103，用于对所述异常流量数据进行特征分析，得到多个监测异常流量特征和对应的异常频率。

在本发明实施例中，流量特征分析单元103通过对标记为异常流量数据的新媒体流量进行特征分析，得到该新媒体流量的多个监测异常流量特征，并记录初始化时期中的所有异常流量数据的多个监测异常流量特征，统计每个监测异常流量特征对应的异常频率。

具体的，图5示出了本发明实施例提供的系统中流量特征分析单元103的结构框图。

其中，在本发明提供的优选实施方式中，所述流量特征分析单元103具体包括：

特征分析模块1031，用于对所述异常流量数据进行特征分析，得到多个监测异常流量特征。

频率记录模块1032，用于记录所述初始化时期中，多个所述监测异常流量特征对应的异常频率。

进一步的，所述基于网络视听新媒体的流量监测系统还包括：

流量特征筛选单元104，用于按照多个所述异常频率，对多个所述监测异常流量特征进行特征筛选，得到多个目标异常流量特征，根据多个所述目标异常流量特征，构建异常特征识别集。

在本发明实施例中，流量特征筛选单元104按照多个异常频率的大小，将对应的多个监测异常流量特征进行顺序排列，生成排列信息，且流量特征筛选单元104按照预设的筛选信息，从排列信息中筛选排列在前面的多个异常频率对应的多个监测异常流量特征，将多个筛选得到的监测异常流量特征，标记为多个目标异常流量特征。

可以理解的是，预设的筛选信息，是预先设置的筛选数量，可以按照这个筛选数量，对多个异常频率排在前列的监测异常流量特征进行筛选标记，从而得到筛选数量对应的目标异常流量特征。

具体的，图6示出了本发明实施例提供的系统中流量特征筛选单元104的结构框图。

其中，在本发明提供的优选实施方式中，所述流量特征筛选单元104具体包括：

特征排列模块1041，用于按照多个所述异常频率，对多个所述监测异常流量特征进行排列，生成排列信息。

特征筛选模块1042，用于根据所述排列信息和预设的筛选信息，对多个所述监测异常流量特征进行特征筛选，得到多个目标异常流量特征。

识别集构建模块1043，用于根据多个所述目标异常流量特征，构建异常特征识别集。

进一步的，所述基于网络视听新媒体的流量监测系统还包括：

流量实时监测单元105，用于在所述初始化时期外，实时获取新媒体流量的流量特征，按照所述异常特征识别集和所述流量监测模型，先后进行异常流量实时监测。

在本发明实施例中，在初始化时期外，流量实时监测单元105实时获取新媒体流量，对实时获取的新媒体流量进行特征分析，得到新媒体流量的流量特征，首先按照异常特征识别集，对流量特征进行异常识别，生成第一异常识别结果，根据第一异常识别结果，判断该流量特征是否为异常特征识别集中含有的异常特征，若该流量特征为异常特征，则直接将该新媒体流量标记为异常新媒体流量；若该流量特征不是异常特征，则将该新媒体流量导入流量监测模型中，通过流量监测模型进行异常监测识别，生成第二异常识别结果，进而根据第二异常识别结果，判断该新媒体流量是否为异常新媒体流量，从而能够对经常出现的异常流量快速识别，有效避免异常监测的堵塞，保障正常的流量数据的传输。

具体的，图7示出了本发明实施例提供的系统中流量实时监测单元105的结构框图。

其中，在本发明提供的优选实施方式中，所述流量实时监测单元105具体包括：

流量实时获取模块1051，用于在所述初始化时期外，实时获取新媒体流量。

特征实时分析模块1052，用于实时分析所述新媒体流量的流量特征。

实时监测模块1053，用于按照所述异常特征识别集和所述流量监测模型，先后进行异常流量实时监测。

具体的，图8示出了本发明实施例提供的系统中实时监测模块1053的结构框图。

其中，在本发明提供的优选实施方式中，所述实时监测模块1053具体包括：

第一异常识别子模块10531，用于按照所述异常特征识别集，对流量特征进行异常识别，生成第一异常识别结果。

异常特征判断子模块10532，用于根据所述第一异常识别结果，判断所述流量特征是否为异常特征。

第二异常识别子模块10533，用于若所述流量特征不是异常特征，则根据所述流量监测模型进行异常监测识别，生成第二异常识别结果。

进一步的，在本发明提供的又一种优选实施方式中，基于网络视听新媒体的流量监测方法，所述方法包括：

步骤一、基于大数据，获取并记录多个收集异常流量特征，根据多个所述收集异常流量特征，构建流量监测模型。

在本发明实施例中，进行互联网连接，基于大数据技术，从互联网中获取多个收集异常流量特征，并将多个收集异常流量特征进行记录，按照预先设置的分配比例，将多个收集异常流量特征分配为训练集和测试集，通过训练集进行模型训练，通过测试集对训练之后的模型进行测试与优化，构建异常流量监测识别的流量监测模型。

步骤二、接收初始化设置，获取初始化时期，在所述初始化时期中，按照所述流量监测模型进行异常流量初始监测，标记异常流量数据。

在本发明实施例中，通过接收初始化设置，生成初始化设置信息，通过对初始化设置信息进行分析，提取流量监测工作人员设置的初始化时期，在初始化时期中，进行异常流量初始监测，获取新媒体流量，将获取的新媒体流量导入流量监测模型中，通过流量监测模型对新媒体流量进行初始化异常流量监测识别，生成初始监测结果，按照初始监测结果，判断对应的新媒体流量是否存在流量异常，并在存在流量异常时，将对应的新媒体流量标记为异常流量数据，在不存在流量异常时，则不进行异常流量数据的标记。

步骤三、对所述异常流量数据进行特征分析，得到多个监测异常流量特征和对应的异常频率。

在本发明实施例中，通过对标记为异常流量数据的新媒体流量进行特征分析，得到该新媒体流量的多个监测异常流量特征，并记录初始化时期中的所有异常流量数据的多个监测异常流量特征，统计每个监测异常流量特征对应的异常频率。

步骤四、按照多个所述异常频率，对多个所述监测异常流量特征进行特征筛选，得到多个目标异常流量特征，根据多个所述目标异常流量特征，构建异常特征识别集。

在本发明实施例中，按照多个异常频率的大小，将对应的多个监测异常流量特征进行顺序排列，生成排列信息，进而按照预设的筛选信息，从排列信息中筛选排列在前面的多个异常频率对应的多个监测异常流量特征，将多个筛选得到的监测异常流量特征，标记为多个目标异常流量特征。

步骤五、在所述初始化时期外，实时获取新媒体流量的流量特征，按照所述异常特征识别集和所述流量监测模型，先后进行异常流量实时监测。

在本发明实施例中，在初始化时期外，实时获取新媒体流量，对实时获取的新媒体流量进行特征分析，得到新媒体流量的流量特征，首先按照异常特征识别集，对流量特征进行异常识别，生成第一异常识别结果，根据第一异常识别结果，判断该流量特征是否为异常特征识别集中含有的异常特征，若该流量特征为异常特征，则直接将该新媒体流量标记为异常新媒体流量；若该流量特征不是异常特征，则将该新媒体流量导入流量监测模型中，通过流量监测模型进行异常监测识别，生成第二异常识别结果，进而根据第二异常识别结果，判断该新媒体流量是否为异常新媒体流量，从而能够对经常出现的异常流量快速识别，有效避免异常监测的堵塞，保障正常的流量数据的传输。

综上所述，本发明实施例公开的一种基于网络视听新媒体的流量监测系统，包括：监测模型构建单元；异常初始监测单元；流量特征分析单元；流量特征筛选单元；流量实时监测单元。能够基于大数据，构建流量监测模型，通过在初始化时期进行异常流量初始监测，标记异常流量数据，获取多个目标异常流量特征，构建异常特征识别集，进而通过异常特征识别集和流量监测模型，在初始化时期外，对实时获取的新媒体流量先后进行异常流量实时监测，从而能够对经常出现的异常流量快速识别，有效避免异常监测的堵塞，保障正常的流量数据的传输。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于网络视听新媒体的流量监测系统，其特征在于，所述系统包括监测模型构建单元、异常初始监测单元、流量特征分析单元、流量特征筛选单元和流量实时监测单元，其中：

监测模型构建单元，用于基于大数据，获取并记录多个收集异常流量特征，根据多个所述收集异常流量特征，构建流量监测模型；

异常初始监测单元，用于接收初始化设置，获取初始化时期，在所述初始化时期中，按照所述流量监测模型进行异常流量初始监测，标记异常流量数据；

流量特征分析单元，用于对所述异常流量数据进行特征分析，得到多个监测异常流量特征和对应的异常频率；

流量特征筛选单元，用于按照多个所述异常频率，对多个所述监测异常流量特征进行特征筛选，得到多个目标异常流量特征，根据多个所述目标异常流量特征，构建异常特征识别集；

流量实时监测单元，用于在所述初始化时期外，实时获取新媒体流量的流量特征，按照所述异常特征识别集和所述流量监测模型，先后进行异常流量实时监测；

所述流量特征筛选单元具体包括：

特征排列模块，用于按照多个所述异常频率，对多个所述监测异常流量特征进行排列，生成排列信息；

特征筛选模块，用于根据所述排列信息和预设的筛选信息，对多个所述监测异常流量特征进行特征筛选，得到多个目标异常流量特征；

识别集构建模块，用于根据多个所述目标异常流量特征，构建异常特征识别集；

所述流量实时监测单元具体包括：

流量实时获取模块，用于在所述初始化时期外，实时获取新媒体流量；

特征实时分析模块，用于实时分析所述新媒体流量的流量特征；

实时监测模块，用于按照所述异常特征识别集和所述流量监测模型，先后进行异常流量实时监测；

所述实时监测模块具体包括：

第一异常识别子模块，用于按照所述异常特征识别集，对流量特征进行异常识别，生成第一异常识别结果；

异常特征判断子模块，用于根据所述第一异常识别结果，判断所述流量特征是否为异常特征；

第二异常识别子模块，用于若所述流量特征不是异常特征，则根据所述流量监测模型进行异常监测识别，生成第二异常识别结果。

2.根据权利要求1所述的基于网络视听新媒体的流量监测系统，其特征在于，所述监测模型构建单元具体包括：

特征获取模块，用于基于大数据，获取并记录多个收集异常流量特征；

特征分配模块，用于对多个所述收集异常流量特征进行随机分配，构成训练集和测试集；

模型构建模块，用于根据所述训练集和所述测试集，构建流量监测模型。

3.根据权利要求1所述的基于网络视听新媒体的流量监测系统，其特征在于，所述异常初始监测单元具体包括：

初始化设置模块，用于接收初始化设置，生成初始化设置信息；

设置分析模块，用于对所述初始化设置信息分析，获取初始化时期；

初始监测模块，用于在所述初始化时期中，按照所述流量监测模型进行异常流量初始监测，标记异常流量数据。

4.根据权利要求3所述的基于网络视听新媒体的流量监测系统，其特征在于，所述初始监测模块具体包括：

流量初始获取子模块，用于在所述初始化时期中，获取新媒体流量；

初始监测子模块，用于将新媒体流量导入至所述流量监测模型中，进行异常流量初始监测，生成初始监测结果；

异常判断子模块，用于按照所述初始监测结果，判断是否存在流量异常；

异常标记子模块，用于在存在流量异常时，标记异常流量数据。

5.根据权利要求1所述的基于网络视听新媒体的流量监测系统，其特征在于，所述流量特征分析单元具体包括：

特征分析模块，用于对所述异常流量数据进行特征分析，得到多个监测异常流量特征；

频率记录模块，用于记录所述初始化时期中，多个所述监测异常流量特征对应的异常频率。

Images