[发明专利]基于分布式监测管理架构的业务感知方法

说明书

技术领域

本发明是针对认知网络的高度自主性，提出的一个基于分布式监测管理架构的业务感知方法，该方法主要研究如何通过智能代理监控业务数据，并搭载相关智能引擎完成业务的在线高效识别，并设计了识别引擎采用的相关智能算法。本发明方法涉及到数据挖掘、流量分类、网络管理、智能代理等相关领域，属于一种业务感知方法。

背景技术

随着网络技术与应用的不断发展，网络异构性和复杂性尤为突出，业务种类急剧增加，为全网QoS保证提出挑战。在接入网对业务进行识别，并对其网络行为跟踪管理，可以使得网络资源利用更合理化、规范化。最简单的识别技术是采用静态端口法，但是目前网络应用大多采用动态端口或运用伪装技术，使得端口识别在很大程度上受限。为克服以上缺陷，分析数据包净荷、挖掘业务内在信息的技术应运而生，其中较典型的两大技术体系：DPI(Deep Packet Inspection，深度包检测)和DFI(Deep/Dynamic Flow Inspection，深度/动态流检测)已经比较成熟，并已在国外商用。

目前，业务识别技术的研究与开发仅局限于传统网络，并且脱离了网络环境而单方面考虑技术，其实用性与可靠性有待改善，这也是许多研究成果商业化程度不高的原因之一。本文研究背景为认知网络，由R.W.Thomas首次提出认知网络这一概念。认知网络是未来网络发展的一个研究方向，认知的前提是感知，它能够感知当前网络的状态变化，并用统一的规范语言描述，并将信息传递给认知层进行分析决策。有别于传统网络，认知网络是一个能进行自我配置、自我管理、自我学习的智能化系统，研究业务识别在其上的监测、管理机制，可以进一步提高业务识别与网络的融合度，提高在线识别的效率，从而更好的保证网络端到端QoS的实现。本文基于认知网络，研究如何对业务进行分区、多点监测并识别，提出了一种以分布式认知域为模块的在线识别机制。

发明内容

技术问题：本发明目的在于针对传统业务识别研究仅限于识别引擎的扩展与开发，并没有很好的将识别引擎融入到网络中，导致许多发明成果无法得到实际价值的体现，提出了一种基于分布式监测管理架构的业务感知方法。该方法采用分区多点监测机制，可以实现多个监测点同时工作，从而提高业务在线识别效率，减轻域服务器的负担。本发明将业务数据采集与识别相分离，采用了一套完整的通信机制，识别引擎作为一个独立模块嵌入在识别机制中，具有较好的扩展性，方便以后升级与维护。在识别引擎选取上，本发明采用SVM智能算法，其算法解决当前一些智能算法的局部极小值问题，并且不受训练样本数目的限制，很好的解决了样本维数灾难问题。

技术方案：

本发明基于分布式监测管理架构的业务感知方法包括如下步骤：

1)采用监测代理判断业务流是否已带标记，如果有则转至第6)步，否则继续第2)步；

2)当监测代理监测到未处理过的业务流时，向业务登记表注册，并查询内存记录：业务登记表将查询内存记录结果反馈给智能代理，如业务登记表中有记录即监测到的未处理过的业务流已经处理，则将所述业务流标记，并转至第6)步；如业务登记表注册中无记录即监测到的未处理过的业务流未已经处理，则智能代理将所述业务流提交给SVM模块＝处理后在业务登记表注册注册；

3)对监测代理提交的业务信息进行预处理，即将监测代理监测到的特征信息向量化；

4)对预处理后的信息放入SVM模块训练，该训练方法采用半监督学习方法，具体训练方法如下：

a)将步骤3)所述作向量化后的信息为一个训练集，先将训练集中的一部分样本标记，并以所述标记的样本作为初始训练集训练出一个原始分类器SVM1；

b)再用原始分类器SVM1对原始样本继续训练，并标记训练后的样本得到第一分类器SVM2，所述原始样本包含已标记的样本和部分未标记的样本，所述已标记的样本表示步骤a)中标记的样本经过训练以后的结果，所述部分未标记的样本表示步骤a)中未标记的样本中的一部分；

c)将步骤b)过程中训练获得的标记后的样本继续作为下一次的输入，返回步骤b)，直到训练集中已标记的样本数量是全部样本的m倍时，停止训练；m∈(0，1)，m次迭代完成后获得具有较高分类精度的分类器SVM^*；

5)将第4步中训练获得的样本存入业务数据表中，以供下次鉴别时使用；

6)以上结束对业务流的识别监测，打好标记后转至路由的下一节点。

有益效果：

通过基于分布式监测管理的业务感知模型的研究，我们能够实现以下方面的收益：