[发明专利]一种网络流识别方法及电子设备

权利要求书

1.一种网络流识别方法，其特征在于，包括：

计算同一网络流类型的多个训练网络流的关于不同网络流属性特征的特征条件概率模型，所述网络流属性特征包括Hurst参数、数据包大小属性以及数据包间隔时间属性；

接收到当前网络流，计算当前网络流的网络流属性特征；

使用不同的网络流类型的特征条件概率模型对所述当前网络流的对应网络流属性特征进行计算，得到多个关于不同的网络流类型的当前特征条件概率；

使用相同网络流类型的多个所述当前特征条件概率计算当前网络流关于该网络流类型的当前类型条件概率；

根据所述当前类型条件概率对当前网络流进行识别，得到识别结果；

所述根据所述当前类型条件概率对当前网络流进行识别，得到识别结果，具体包括：

从多个所述当前类型条件概率中选择最大的当前类型条件概率作为待选类型条件概率，将所述待选类型条件概率对应的网络流类型作为待选网络流类型；

如果所述待选类型条件概率大于预设概率阈值，则判断所述当前网络流的类型为所述待选网络流类型，且如果用于计算所述待选网络流类型对应的特征条件概率模型的训练网络流的数量小于预设训练数量，则使用所述当前网络流的对应网络流属性特征更新所述待选网络流类型对应的特征条件概率模型；

如果所述待选类型条件概率小于或等于预设概率阈值，则判断所述当前网络流的类型为新类型，使用所述当前网络流的对应网络流属性特征计算所述新类型对应的特征条件概率模型。

2.根据权利要求1所述的网络流识别方法，其特征在于，所述计算同一网络流类型的多个训练网络流的关于不同网络流属性特征的特征条件概率模型，具体包括：

计算每个训练网络流的多个网络流属性特征；

对于第j个网络流属性特征ν_j和第i个网络流类型K_i，计算同一网络流类型K_i的多个训练网络流中相同网络流属性特征ν_j的平均值μ_i,j与方差σ_i,j；

计算第i个网络流类型K_i的多个训练网络流的关于第j个网络流属性特征ν_j的特征条件概率模型为其中x为自变量，用于输入当前网络流中对应的网络流属性特征。

3.根据权利要求1或2所述的网络流识别方法，其特征在于，计算训练网络流或当前网络流的Hurst参数的方法为：

数据块大小参数值设置步骤，设置数据块大小参数值n；

网络流分割步骤，将训练网络流或当前网络流分割为多个数据块，每个数据块包括至少一个训练网络流或当前网络流的数据包，每个数据块的大小为n；

数据块期望值计算步骤，计算出每个数据块的期望值，其中第k个数据块的期望值X_kn-n+1为训练网络流或当前网络流中第kn-n+1个数据包，X_kn为训练网络流或当前网络流中第kn个数据包；

数据块期望值方差计算步骤，计算训练网络流或当前网络流的所有数据块期望值的方差其中N为训练网络流或当前网络流的数据块的总数量；

数据块大小参数值更新步骤，将更新次数加一，如果更新次数未达到更新次数阈值，则调整n值后，执行网络流分割步骤，否则执行斜率计算步骤；

斜率计算步骤，生成多个以每个n值的对数为横坐标值、以与n值对应的样本方差Var(X_(n))的对数为纵坐标值的参数点，对多个参数点进行线性拟合得到参数直线，计算所述参数直线的斜率β；

Hurst参数计算步骤，根据所述斜率计算得到Hurst参数H＝1-β/2。

4.根据权利要求1所述的网络流识别方法，其特征在于，所述根据所述当前类型条件概率对当前网络流进行识别，得到识别结果，具体包括：从多个所述当前类型条件概率中选择最大的当前类型条件概率作为待选类型条件概率；

判断所述当前网络流中所述待选类型条件概率对应的网络流类型的占比最高。