[发明专利]一种基于神经网络识别网络需求的方法及网络设备

权利要求书

1.一种基于神经网络识别网络需求的方法，其特征在于，所述方法应用于局域网中的网络设备，包括：

采集第一时间段内的报文，所述第一时间段分为多个第一预设时间间隔；

提取每个第一预设时间间隔的报文的至少一个特征，计算每个第一预设时间间隔内所述至少一个特征的信息熵；

根据每个第一预设时间间隔内的报文的至少一个特征的信息熵，得到所述第一时间段内的报文的至少一个特征的第一信息熵矩阵；

将所述第一信息熵矩阵中的元素输入应用神经网络模型，以获取所述第一信息熵矩阵对应的网络需求类别；

其中，所述提取每个第一预设时间间隔的报文的至少一个特征，包括：

以报文为单位，从每个第一预设时间间隔的报文中提取至少一个特征；

和/或；

以报文流为单位，从每个第一预设时间间隔的报文中提取至少一个特征；其中，每个报文流为提取的该至少一个特征相同的所有报文。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

针对满足不同类别的网络需求的局域网均执行下述步骤，以得到不同类别的网络需求的局域网中第二时间段内的报文的至少一个特征的第二信息熵矩阵：

采集第二时间段内的报文，所述第二时间段分为多个第二预设时间间隔；

提取每个第二预设时间间隔的报文的至少一个特征；计算每个第二预设时间间隔内所述至少一个特征的信息熵；

根据每个第二预设时间间隔内的报文的至少一个特征的信息熵，得到所述第二时间段内的报文的至少一个特征的第二信息熵矩阵。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

针对满足不同类别的网络需求的局域网，依次执行下述步骤，以得到所述应用神经网络模型：

将所述第二信息熵矩阵中的元素输入初始神经网络模型，并将网络需求类别作为标签，根据BP算法对所述初始神经网络模型进行训练。

4.根据权利要求2所述的方法，其特征在于，所述将所述第一信息熵矩阵中的元素输入应用神经网络模型包括：

对所述第一信息熵矩阵进行数据降维，得到降维后的第一信息熵矩阵；

将所述降维后的第一信息熵矩阵中的元素输入应用神经网络模型；

所述将所述第二信息熵矩阵中的元素输入初始神经网络模型包括：

对所述第二信息熵矩阵进行数据降维，得到降维后的第二信息熵矩阵；将所述降维后的第二信息熵矩阵中的元素输入初始神经网络模型。

5.根据权利要求1所述的方法，其特征在于，所述提取每个第一预设时间间隔的报文的至少一个特征，计算每个第一预设时间间隔内所述至少一个特征的信息熵包括：

提取每个第一预设时间间隔的报文的至少一个特征；

根据提取的每个第一预设时间间隔的报文的至少一个特征，对所述至少一个特征的结果在每个第一预设时间间隔内出现的次数进行统计；

根据统计结果计算每个第一预设时间间隔内所述至少一个特征的信息熵。

6.一种网络设备，其特征在于，所述网络设备为 局域网中的网络设备，包括：

采集模块，用于采集第一时间段内的报文，所述第一时间段分为多个第一预设时间间隔；

处理模块，用于提取每个第一预设时间间隔的报文的至少一个特征，计算每个第一预设时间间隔内所述至少一个特征的信息熵；根据每个第一预设时间间隔内的报文的至少一个特征的信息熵，得到所述第一时间段内的报文的至少一个特征的第一信息熵矩阵；将所述第一信息熵矩阵中的元素输入应用神经网络模型，以获取所述第一信息熵矩阵对应的网络需求类别；

其中，所述处理模块，提取每个第一预设时间间隔的报文的至少一个特征，具体为：以报文为单位，从每个第一预设时间间隔的报文中提取至少一个特征；和/或；

以报文流为单位，从每个第一预设时间间隔的报文中提取至少一个特征；其中，每个报文流为提取的该至少一个特征相同的所有报文。