[发明专利]数据流识别方法及装置、计算机存储介质

说明书

本申请公开了一种数据流识别方法及装置、计算机存储介质，属于网络技术领域。网络设备或服务器向深度学习模型输入待识别数据流的首个数据包；接收深度学习模型根据该首个数据包输出的目标特征数据；并基于目标特征数据，确定待识别数据流的类型，该类型包括已知应用或未知应用；其中，该深度学习模型由标注有应用标签的多个样本数据流训练得到。本申请通过深度学习模型自动学习已知应用数据流和未知应用数据流的区别特征，该深度学习模型输出的特征数据的可靠性较高，因此可以提高数据流识别的准确性。

技术领域

本申请涉及网络技术领域，特别涉及一种数据流识别方法及装置、计算机存储介质。

背景技术

数据流识别的目的是确定数据流的类别，也即是确定数据流属于未知应用还是已知应用。数据流识别是数据流控制、网络安全管理、提升网络服务质量和优化网络性能的前提和基础。

目前的数据流识别方法大多数基于有监督的机器学习技术。通过提取已知类别的数据流的特征，并采用已知类别的数据流的特征训练分类器，再采用训练好的分类器对待识别数据流进行分类。由于分类器的分类性能非常依赖于数据流特征的设计，而目前的数据流特征通常是基于人工经验确定的，其可靠性较低，导致数据流识别的准确性较低。

发明内容

本申请提供了一种数据流识别方法及装置、计算机存储介质，可以解决目前数据流识别的准确性较低的问题。

第一方面，提供了一种数据流识别方法。网络设备或服务器向深度学习模型输入待识别数据流的首个数据包；接收深度学习模型根据该首个数据包输出的目标特征数据；并基于该目标特征数据，确定待识别数据流的类型，该类型包括已知应用和未知应用；其中，深度学习模型由标注有应用标签的多个样本数据流训练得到。

本申请提供的数据流识别方法，通过向深度学习模型输入待识别数据流的首个数据包，并基于深度学习模型根据该首个数据包输出的目标特征数据，确定待识别数据流的类型。由于深度学习模型可以自动学习已知应用数据流和未知应用数据流的区别特征，与基于人工经验确定的特征数据相比，深度学习模型输出的特征数据的可靠性较高，进而可以提高数据流识别的准确性。

可选地，深度学习模型包括卷积神经网络和优化网络，该卷积神经网络包括依次连接的输入层、隐藏层和输出层，优化网络与输出层连接。输入层用于将待识别数据流的首个数据包发送至隐藏层；隐藏层用于对待识别数据流的首个数据包进行特征提取和特征组合，得到特征数据；输出层用于将特征数据发送至优化网络；优化网络用于对特征数据进行特征重组，得到目标特征数据。

其中，隐藏层通过多维卷积滤波和非线性映射处，对输入层输入的数据进行特征提取和特征组合。采用优化网络对卷积神经网络输出的特征数据进行特征重组，可以得到低耦合度、强正交性的特征数据。

可选地，隐藏层包括9个依次连接的数据处理层，每个所述数据处理层包括依次连接的卷积层、残差层和池化层。该池化层可以是最大池化层，也可以是平均池化层。

在本申请中，基于目标特征数据，确定待识别数据流的类型的过程，包括：获取聚类样本集合，该聚类样本集合中包括多个样本特征数据，该多个样本特征数据中包括标注有已知应用标签的样本特征数据以及标注有未知应用标签的样本特征数据；对目标特征数据和多个样本特征数据进行聚类处理；根据目标特征数据所在的目标类簇中的样本特征数据，确定待识别数据流的类型。

可选地，根据目标特征数据所在的目标类簇中的样本特征数据，确定待识别数据流的类型的过程，包括：根据目标类簇中的样本特征数据，确定目标类簇的标签；基于目标类簇的标签，确定待识别数据流的类型。

在一种可实现方式中，根据目标类簇中的样本特征数据，确定目标类簇的标签，包括：计算目标类簇中每类样本特征数据的后验概率，同类样本特征数据的应用标签相同；将目标类簇中后验概率最大的一类样本特征数据的应用标签确定为目标类簇的标签。