CN117313004B - 一种在物联网中基于深度学习的QoS流分类方法 - Google Patents

一种在物联网中基于深度学习的QoS流分类方法 Download PDF

Info

Publication number
CN117313004B
CN117313004B CN202311609569.3A CN202311609569A CN117313004B CN 117313004 B CN117313004 B CN 117313004B CN 202311609569 A CN202311609569 A CN 202311609569A CN 117313004 B CN117313004 B CN 117313004B
Authority
CN
China
Prior art keywords
time
qos
qos attribute
matrix
data
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
Application number
CN202311609569.3A
Other languages
English (en)
Other versions
CN117313004A (zh
Inventor
郭永安
严立兴
佘昊
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202311609569.3A priority Critical patent/CN117313004B/zh
Publication of CN117313004A publication Critical patent/CN117313004A/zh
Application granted granted Critical
Publication of CN117313004B publication Critical patent/CN117313004B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提出一种在物联网中基于深度学习的QoS流分类方法，该方法步骤包括以下步骤：（1）采集指定网络接口的流数据，对采集的数据包进行过滤，标识和分组每个数据包，并初步判断每个流数据的类型；（2）通过计算每个流数据对应的QoS属性值生成对应的QoS属性矩阵，并对QoS属性矩阵进行归一化处理，将不同特征的值范围统一，以此构建训练样本；（3）将归一化后QoS属性矩阵作为一维CNN模型的输入，以对应QoS流的类别作为输出对CNN模型进行训练；（4）使用网络数据采集工具实时采集流数据，按照步骤（2）计算归一化后的QoS属性矩阵，将归一化后的QoS属性矩阵输入到训练好的CNN模型中进行分类，得到当前时刻QoS流的类别。

Description

一种在物联网中基于深度学习的QoS流分类方法
技术领域
本发明属于QoS流分类技术领域，尤其涉及一种在物联网中基于深度学习的QoS流分类方法。
背景技术
物联网技术的广泛采用产生了对各种数据流的有效管理和在各种物联网场景中实现特定要求的需求。然而，随着物联网范围的扩大，智能设备的部署在大量数据传输过程中给网络基础设施带来了相当大的压力。不同的数据流需要对传输延迟和其他基本性能指标提出不同的要求。因此，解决数据流量激增引起的延迟和数据包丢失的潜在问题至关重要。
目前的研究对于QoS流量的分类缺乏共识，导致不同业务对单个QoS流的分析不准确，从而降低了网络的稳定性，使物联网无法满足业务增长的高质量服务需求。传统的QoS路由算法通常根据整体网络需求做出决策，而不考虑单个用户或不同流的独特需求，其决策过程的复杂性使网络管理者难以及时、准确地确定采用合适的QoS策略，无法对QoS流进行有效的分类。
发明内容
发明目的：为解决上述问题，本发明提出了一种在物联网中基于深度学习的QoS流分类方法。在物联网中，基于深度学习的QoS流分类方法将用户画像与流量特征集成在一起，形成流画像模型，从而避免丢包、高时延等问题，实现物联网环境中的智能流量管理。利用深度学习模型，分析用户行为、偏好和特定的物联网场景需求，提供个性化和高效的服务，实现三种流的分类：视频流、音频流和普通数据流，普通数据流为除视频流和音频流之外皆定义为普通数据流。
技术方案：为了实现上述目的，本发明提出一种在物联网中基于深度学习的QoS流分类方法，该方法步骤包括以下步骤：
（1）使用网络数据采集工具采集指定网络接口的流数据，对采集的数据包进行过滤，标识和分组每个数据包，并判断每个流数据的类别；
（2）通过计算每个流数据对应的QoS属性值生成对应的QoS属性矩阵，并对QoS属性矩阵进行归一化处理，将不同特征的值范围统一，以此构建训练样本；
（3）将归一化后QoS属性矩阵作为一维CNN模型的输入，以对应QoS流的类别作为输出对CNN模型进行训练，经过训练得到能够根据归一化后QoS属性矩阵作为输入，识别QoS流所对应的类别的CNN模型；
（4）使用网络数据采集工具实时采集流数据，按照步骤（2）计算归一化后的QoS属性矩阵，将归一化后的QoS属性矩阵输入到步骤（3）中训练好的CNN模型中进行分类，得到当前时刻QoS流的类别。
进一步的，步骤（1）和步骤（4）中，采集间隔时间为0.06秒，采集总时间为100分钟。
进一步的，步骤（2）的具体方法如下：
（2.1）计算时刻端到端延迟：/>，/>表示t时刻的排队延迟；表示/>时刻的传输延迟；/>表示t时刻的传播延迟，所述传输延迟是数据从发送方传输到接收方所需的时间，所述传播延迟是数据在信道中传播所需的时间，排队延迟/>，表示t时刻的平均排队时间，/>表示t时刻数据包进入整个网络的速率，/>，/>表示t时刻SR节点的数据包处理和传输速率，/>表示t时刻SR节点无法及时处理或传输数据包的概率；
（2.2）计算时刻吞吐量：/>，其中，/>表示网络中一个具体的流，/>表示网络中所有流的集合，/>表示/>时刻流/>的吞吐量；
（2.3）计算t时刻丢包率：，其中，/>表示/>时刻丢失的数据包数量，表示t时刻发送的总数据包数量；
（2.4）根据计算得到的端到端延迟、吞吐量、丢包率值生成100个QoS属性矩阵，
每个矩阵如下：
，其中，/>表示第t个时刻的第s个QoS属性值，其中：
，/>，其中，矩阵的第一列表示t时刻端到端延迟的QoS属性值，第二列表示t时刻吞吐量的QoS属性值，第三列表示t时刻丢包率的QoS属性值；
（2.5）将每个QoS属性矩阵进行归一化，对于每个QoS值，归一化公式为：
，其中，/>表示归一化后的值，/>表示第s个QoS属性值中的最小值，/>表示第s个QoS属性值中的最大值。
进一步的，步骤（3）的具体方法如下：训练CNN模型时，将归一化后的QoS属性矩阵输入到卷积层，将卷积层输出所得归一化后的QoS属性矩阵特征图输入到最大池化层中提取特征并降维，然后输入到全连接层中得到与归一化后QoS属性矩阵同维度的矩阵，其中，矩阵各行表示各个时刻QoS流所对应的不同服务类别的分数，将输出矩阵通过softmax函数，在其每一行上独立进行softmax操作，以获取每个时刻QoS流所属服务类别的概率分布，所属服务概率最高的类别即被确定为该时刻QoS流所对应的类别。
进一步的，步骤（3）中，在训练过程中，通过交叉熵损失函数比较模型的输出和实际类别标签，利用随机梯度下降算法SGD最小化交叉熵损失函数以提高QoS流分类的准确率。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
本发明提出了一种在物联网中基于深度学习的QoS流分类方法，即流画像。它是一种新的QoS流分类方法，旨在创建适合特定场景的定制QoS流控制，能够增强业务类型识别、优化可视化网络条件、优化资源分配，并支持精确的故障排除，帮助网络管理者根据业务要求快速、精准地确定应采取何种QoS策略，提供精确的QoS流分类，满足不同用户和流服务的需求，从而提高用户的体验感和满意度。
附图说明
图1为本发明的流画像模型示意图；
图2为本发明技术方案的具体实施场景图；
图3为本发明中一维卷积过程示意图；
图4为本发明中训练CNN模型流程图；
图5为本发明中QoS流分类流程图。
具体实施方式
如图1所示，其为本发明的流画像模型示意图，本发明提出一种在物联网中基于深度学习的QoS流分类方法，该方法步骤包括以下步骤：
（1）使用网络数据采集工具采集指定网络接口的流数据，对采集的数据包进行过滤，标识和分组每个数据包，并判断每个流数据的类别；
（2）通过计算每个流数据对应的QoS属性值生成对应的QoS属性矩阵，并对QoS属性矩阵进行归一化处理，将不同特征的值范围统一，以此构建训练样本；
（3）将归一化后QoS属性矩阵作为一维CNN模型的输入，以对应QoS流的类别作为输出对CNN模型进行训练，经过训练得到能够根据归一化后QoS属性矩阵作为输入，识别QoS流所对应的类别的CNN模型；
（4）使用网络数据采集工具实时采集流数据，按照步骤（2）计算归一化后的QoS属性矩阵，将归一化后的QoS属性矩阵输入到步骤（3）中训练好的CNN模型中进行分类，得到当前时刻QoS流的类别。其中，图2为本发明技术方案的具体实施场景图，图5为使用训练完成的模型对数据流分类的流程图。
进一步的，步骤（1）中，采集间隔时间为0.06秒，采集总时间为100分钟。
进一步的，步骤（2）的具体方法如下：
（2.1）计算时刻端到端延迟：/>，/>表示t时刻的排队延迟；表示/>时刻的传输延迟；/>表示t时刻的传播延迟，所述传输延迟是数据从发送方传输到接收方所需的时间，所述传播延迟是数据在信道中传播所需的时间，排队延迟/>，表示t时刻的平均排队时间，/>表示t时刻数据包进入整个网络的速率，/>，/>表示t时刻SR节点的数据包处理和传输速率，/>表示t时刻SR节点无法及时处理或传输数据包的概率；
（2.2）计算时刻吞吐量：/>，其中，/>表示网络中一个具体的流，/>表示网络中所有流的集合，/>表示/>时刻流/>的吞吐量；
（2.3）计算t时刻丢包率：，其中，/>表示/>时刻丢失的数据包数量，表示t时刻发送的总数据包数量；
（2.4）根据计算得到的端到端延迟、吞吐量、丢包率值生成100个QoS属性矩阵，
每个矩阵如下：
，其中，/>表示第t个时刻的第s个QoS属性值，其中：
，/>，其中，矩阵的第一列表示t时刻端到端延迟的QoS属性值，第二列表示t时刻吞吐量的QoS属性值，第三列表示t时刻丢包率的QoS属性值；
（2.5）将每个QoS属性矩阵进行归一化，对于每个QoS值，归一化公式为：，其中，/>表示归一化后的值，/>表示第s个QoS属性值中的最小值，表示第s个QoS属性值中的最大值。
进一步，步骤（3）的具体方法如下：
如图3所示一维卷积过程，图中3代表分类结果即三种服务类别，也为输出节点的数量，图4为本发明中训练CNN模型流程图。训练CNN模型时，将归一化后的QoS属性矩阵输入到卷积层，将卷积层输出所得归一化后的QoS属性矩阵特征图输入到最大池化层中提取特征并降维，然后输入到全连接层中得到与归一化后QoS属性矩阵同维度的矩阵，其中，矩阵各行表示各个时刻QoS流所对应的不同服务类别的分数，将输出矩阵通过softmax函数，在其每一行上独立进行softmax操作，以获取每个时刻QoS流所属服务类别的概率分布，所属服务概率最高的类别即被确定为该时刻QoS流所对应的类别。
进一步的，步骤（3）中，在训练过程中，通过交叉熵损失函数比较模型的输出和实际类别标签，利用随机梯度下降算法SGD最小化交叉熵损失函数以提高QoS流分类的准确率。
进一步的，步骤（4）中，其中，采集间隔时间为0.06秒，采集总时间为1分钟。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.一种在物联网中基于深度学习的QoS流分类方法，其特征在于，该方法包括以下步骤：
(1)使用网络数据采集工具采集指定网络接口的流数据，对采集的数据包进行过滤，标识和分组每个数据包，并判断每个流数据的类别；
(2)通过计算每个流数据对应的QoS属性值生成对应的QoS属性矩阵，并对QoS属性矩阵进行归一化处理，将不同特征的值范围统一，以此构建训练样本；
(3)将归一化后QoS属性矩阵作为一维CNN模型的输入，以对应QoS流的类别作为输出对CNN模型进行训练，经过训练得到能够根据归一化后QoS属性矩阵作为输入，识别QoS流所对应的类别的CNN模型；
(4)使用网络数据采集工具实时采集流数据，按照步骤(2)计算归一化后的QoS属性矩阵，将归一化后的QoS属性矩阵输入到步骤(3)中训练好的CNN模型中进行分类，得到当前时刻QoS流的类别；
步骤(2)的具体方法如下：
(2.1)计算t时刻端到端延迟：
qde(t)＝Tq(t)+Tt(t)+Tp(t)，Tq(t)表示t时刻的排队延迟；Tt(t)表示t时刻的传输延迟；Tp(t)表示t时刻的传播延迟，所述传输延迟是数据从发送方传输到接收方所需的时间，所述传播延迟是数据在信道中传播所需的时间，排队延迟Qu(t)表示t时刻的平均排队时间，λ(t)表示t时刻数据包进入整个网络的速率，/>μ(t)表示t时刻sR节点的数据包处理和传输速率，p(t)表示t时刻SR节点无法及时处理或传输数据包的概率；
(2.2)计算t时刻吞吐量：其中，l表示网络中一个具体的流，/>表示网络中所有流的集合，Thl(t)表示t时刻流l的吞吐量；
(2.3)计算t时刻丢包率：其中，Ni(t)表示t时刻丢失的数据包数量，Ns(t)表示t时刻发送的总数据包数量；
(2.4)根据计算得到的端到端延迟、吞吐量、丢包率值生成100个QoS属性矩阵，每个矩阵如下：
，其中，Q(t，s)表示第t个时刻的第s个QoS属性值，其中：
Q(t，1)＝qde(t)，Q(t，2)＝qth(t)，Q(t，3)＝qlo(t)，其中，矩阵的第一列表示t时刻端到端延迟的QoS属性值，第二列表示t时刻吞吐量的QoS属性值，第三列表示t时刻丢包率的QoS属性值；
(2.5)将每个QoS属性矩阵进行归一化，对于每个QoS值，归一化公式如下：
其中，Qn(t，s)表示归一化后的值，Qmin(t，s)表示第s个QoS属性值中的最小值，Qmax(t，s)表示第s个QoS属性值中的最大值。
2.根据权利要求1所述的一种在物联网中基于深度学习的QoS流分类方法，其特征在于，步骤(1)和步骤(4)中，采集间隔时间为0.06秒，采集总时间为100分钟。
3.根据权利要求1或2所述的一种在物联网中基于深度学习的QoS流分类方法，其特征在于，步骤(3)的具体方法如下：训练CNN模型时，将归一化后的QoS属性矩阵输入到卷积层，将卷积层输出所得归一化后的QoS属性矩阵特征图输入到最大池化层中提取特征并降维，然后输入到全连接层中得到与归一化后QoS属性矩阵同维度的矩阵，其中，矩阵各行表示各个时刻QoS流所对应的不同服务类别的分数，将输出矩阵通过softmax函数，在其每一行上独立进行softmax操作，以获取每个时刻QoS流所属服务类别的概率分布，所属服务概率最高的类别即被确定为该时刻QoS流所对应的类别。
4.根据权利要求1或2所述的一种在物联网中基于深度学习的QoS流分类方法，其特征在于，步骤(3)中，在训练过程中，通过交叉熵损失函数比较模型的输出和实际类别标签，利用随机梯度下降算法SGD最小化交叉熵损失函数以提高QoS流分类的准确率。
CN202311609569.3A 2023-11-29 2023-11-29 一种在物联网中基于深度学习的QoS流分类方法 Active CN117313004B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311609569.3A CN117313004B (zh) 2023-11-29 2023-11-29 一种在物联网中基于深度学习的QoS流分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311609569.3A CN117313004B (zh) 2023-11-29 2023-11-29 一种在物联网中基于深度学习的QoS流分类方法

Publications (2)

Publication Number Publication Date
CN117313004A CN117313004A (zh) 2023-12-29
CN117313004B true CN117313004B (zh) 2024-03-12

Family

ID=89286974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311609569.3A Active CN117313004B (zh) 2023-11-29 2023-11-29 一种在物联网中基于深度学习的QoS流分类方法

Country Status (1)

Country Link
CN (1) CN117313004B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105516020A (zh) * 2015-12-22 2016-04-20 桂林电子科技大学 一种基于本体知识推理的并行网络流量分类方法
CN106973413A (zh) * 2017-03-28 2017-07-21 重庆理工大学 面向无线传感器网络的自适应QoS控制方法
CN109361617A (zh) * 2018-09-26 2019-02-19 中国科学院计算机网络信息中心 一种基于网络包载荷的卷积神经网络流量分类方法及系统
CN110089186A (zh) * 2016-10-12 2019-08-02 高通股份有限公司 用于适配edca参数以确保由无线节点接入的方法和装备
CN110796196A (zh) * 2019-10-30 2020-02-14 中国科学院信息工程研究所 一种基于深度判别特征的网络流量分类系统及方法
CN112990425A (zh) * 2019-12-18 2021-06-18 中国移动通信集团浙江有限公司 5g网络切片的自动分类方法、其装置、电子设备及计算机存储介质
CN114065033A (zh) * 2021-11-12 2022-02-18 西安邮电大学 用于推荐Web服务组合的图神经网络模型的训练方法
WO2022041394A1 (zh) * 2020-08-28 2022-03-03 南京邮电大学 一种网络加密流量识别方法及装置
CN114330469A (zh) * 2021-08-29 2022-04-12 北京工业大学 一种快速、准确的加密流量分类方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220150143A1 (en) * 2020-11-12 2022-05-12 At&T Intellectual Property I, L.P. Classification of encrypted internet traffic with binary traffic vectors
US12058016B2 (en) * 2022-01-27 2024-08-06 Avago Technologies International Sales Pte. Limited Feature extraction for inline network analysis
US20230239310A1 (en) * 2022-01-27 2023-07-27 Avago Technologies International Sales Pte. Limited Deep learning based system and method for inline network analysis

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105516020A (zh) * 2015-12-22 2016-04-20 桂林电子科技大学 一种基于本体知识推理的并行网络流量分类方法
CN110089186A (zh) * 2016-10-12 2019-08-02 高通股份有限公司 用于适配edca参数以确保由无线节点接入的方法和装备
CN106973413A (zh) * 2017-03-28 2017-07-21 重庆理工大学 面向无线传感器网络的自适应QoS控制方法
CN109361617A (zh) * 2018-09-26 2019-02-19 中国科学院计算机网络信息中心 一种基于网络包载荷的卷积神经网络流量分类方法及系统
CN110796196A (zh) * 2019-10-30 2020-02-14 中国科学院信息工程研究所 一种基于深度判别特征的网络流量分类系统及方法
CN112990425A (zh) * 2019-12-18 2021-06-18 中国移动通信集团浙江有限公司 5g网络切片的自动分类方法、其装置、电子设备及计算机存储介质
WO2022041394A1 (zh) * 2020-08-28 2022-03-03 南京邮电大学 一种网络加密流量识别方法及装置
CN114330469A (zh) * 2021-08-29 2022-04-12 北京工业大学 一种快速、准确的加密流量分类方法及系统
CN114065033A (zh) * 2021-11-12 2022-02-18 西安邮电大学 用于推荐Web服务组合的图神经网络模型的训练方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Online multimedia traffic classification from the QoS perspective using deep learning;Zheng Wu 等;《Computer Networks》;1-13 *
基于流量分类的智能SDN路由优化技术研究;吴艳;《中国优秀硕士学位论文全文数据库 信息科技辑》(第6期);第I139-18页，正文第40、42、44-47页 *

Also Published As

Publication number Publication date
CN117313004A (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
CN104144089B (zh) 一种基于bp神经网络进行流量识别的方法
CN104468567B (zh) 一种网络多媒体业务流识别和映射的系统及方法
WO2017152883A1 (zh) 一种协同流的识别方法、系统以及使用该方法的服务器
CN109729017B (zh) 一种基于dpi预测的负载均衡方法
CN110324260B (zh) 一种基于流量识别的网络功能虚拟化智能调度方法
CN101442535B (zh) 一种基于关键词序列的应用识别与跟踪方法
CN113746707B (zh) 一种基于分类器及网络结构的加密流量分类方法
CN101510841A (zh) 端到端流量识别方法和系统
WO2015154484A1 (zh) 流量数据分类方法及装置
CN107147535A (zh) 一种分布式的网络测量数据统计分析方法
CN111553463A (zh) 基于深度学习和网络参数估计无线接入点吞吐量的方法
CN106911591A (zh) 网络流量的分类方法和系统
CN116599720A (zh) 一种基于GraphSAGE的恶意DoH流量检测方法、系统
CN111224998A (zh) 一种基于极限学习机的僵尸网络识别方法
CN101022403A (zh) 一种状态化应用的盲识别方法
CN117313004B (zh) 一种在物联网中基于深度学习的QoS流分类方法
CN118036714B (zh) 基于集成学习算法的空域流量预测方法
CN111416779B (zh) 基于时限的互联网业务队列调度方法
CN112232636B (zh) 一种基于终端区即时管制压力的进场效率评估方法
CN113726561A (zh) 利用联邦学习训练卷积神经网络的业务类型识别方法
WO2024124975A1 (zh) 网络质量评估方法、装置、设备、存储介质及程序产品
CN106789349A (zh) 一种基于体验质量建模分析及会话流分类的方法
CN115002031B (zh) 基于不平衡数据分布的联邦学习网络流量分类模型训练方法、模型及分类方法
CN117522067A (zh) 基于mes系统的机械加工柔性生产管理系统及方法
CN115242724B (zh) 一种基于两阶段聚类的高速网络流量服务分类方法

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