[发明专利]一种流量分类方法及电子设备

说明书

本申请实施例提供一种流量分类方法及电子设备，所述方法包括：获得网络流量中的数据流统计特征；获得所述网络流量中的数据包特征；利用网络流量分类模型基于所述流量统计特征以及数据包特征确定网络流量分类结果，其中，所述网络流量分类模型由卷积神经网络训练形成。本申请实施例的流量分类结果能够高效、准确地得到网络流量分类结果，简化了用户操作，提高了分了效率及精度。

技术领域

本申请实施例涉及流量分类领域，特别涉及一种流量分类方法及电子设备。

背景技术

网络态势感知就是检测网络中各种设备的运行状态、网络行为及用户行为，达到对现有网络的全局、宏观的理解，并根据其来评估现有的网络状态和态势预测。由于网络流量能够很好的反应一段时间内网络的状态、网络协议特征和用户行为状态以及它们之间的关联，所以基于流量的态势感知能够遵循态势感知的基本特点，从宏观上把握网络态势，并进行预测。

随着信息技术的飞速发展，新的应用不断涌现，网络流量更是飞速增长，这给网络流量分析带来的巨大的压力和挑战。网络流量分类是指从网络流量中通过相关特征识别出相关的协议或应用并对其进行分类，它对网络流量分析有重大意义。

目前，网络流量分类方法主要有三种：基于端口的流量分类方法、基于特征字匹配的方法和基于流统计的方法。基于端口的流量分类方法是一种简单快速的流量分类方法，但是由于许多应用的端口不固定，该方法的准确率较低。基于特征字匹配的流量分类方法准确率高，但是需要人工不断更新特征来保证特征字的有效性，该方法耗费人力并且不能有效的识别加密流量。基于流统计特征的流量分类方法，是得益于机器学习的快速发展，利用流量在传输过程中表现出来的各种统计特征区别网络应用，该方法可以解决前两种方法的缺点。但是，基于流统计的方法只考虑了流的特征，而忽略了数据包负载的特征，导致准确率还是相对较低。

申请内容

本申请实施例提供了一种能够高效、准确地得到网络流量分类结果的流量分类结果，及应用该方法的电子设备。

为了解决上述技术问题，本申请实施例提供一种流量分类方法，包括：

获得网络流量中的数据流统计特征；

获得所述网络流量中的数据包特征；

利用网络流量分类模型基于所述流量统计特征以及数据包特征确定网络流量分类结果，其中，所述网络流量分类模型由卷积神经网络训练形成。

作为优选，所述获得所述网络流量中的数据包特征包括：

获得所述网络流量中每条数据流中的应用层数据包特征。

作为优选，所述获得所述网络流量中每条数据流中的应用层数据包特征包括：

在所述数据流由起始至终止的过程中，若获得的对应所述数据流的数据包特征的序列参数满足预设序列参数要求，则将所述数据包特征输入至所述卷积神经网络中。

作为优选，所述利用网络流量分类模型基于所述流量统计特征以及数据包特征确定网络流量分类结果包括：

网络流量分类模型基于获得的每个数据包特征确定出至少一个用于表征所述数据包特征类别的数据包类别特征；

网络流量分类模型基于所述数据包类别特征以及数据流统计特征确定出所述网络流量分类结果。

作为优选，当所述数据包类别特征为多个时，所述基于所述数据包类别特征以及数据流统计特征确定出所述网络流量分类结果包括：

将所述数据流统计特征分别与每个所述数据包类别特征结合形成多个一维数组；

基于所述多个一维数据分别形成多个分类子结果；

基于多个所述分类子结果确定所述网络流量分类结果。