[发明专利]一种基于卷积神经网络的数据包分类方法及系统

权利要求书

1.一种基于卷积神经网络的数据包分类方法，其特征在于，所述方法包括下述步骤：

步骤(1)、对于训练规则集中的每个规则集，按照规则集中的规则的源地址和目标地址的不同前缀范围组合对其中规则进行归并，形成多种归并方案，基于性能评估确定训练规则集中各个规则集的最优归并方案；

步骤(2)、将训练规则集的各个规则集以及目标规则集的前缀组合分布转换成图像，利用图像的参数表征相应前缀组合分布的参数，以所述训练规则集的图像和对应最优归并方案为特征训练卷积神经网络模型；

步骤(3)、将目标规则集所转换成的目标图像输入到所述卷积神经网络模型，基于所述目标图像与所述卷积神经网络模型中图像的匹配度确定目标规则集的归并方案，构建相应哈希表，用于数据包分类，其中，所转换的图像的像素坐标表示相应规则集中规则的源地址和目标地址前缀长度或长度范围组合，像素值表示相应规则集中对应于该前缀长度或长度范围组合的规则的数量。

2.根据权利要求1所述的基于卷积神经网络的数据包分类方法，其特征在于，所述步骤(2)中对卷积神经网络模型进行训练包括基于图像之间的相似性对规则集的前缀组合分布进行分类，并且为每种类别的前缀组合分布确定相应的归并方案。

3.根据权利要求2所述的基于卷积神经网络的数据包分类方法，其特征在于，包括计算每种前缀组合分布所对应的图像的像素点之间的差值信息，作为相应图像的指纹，计算各个图像的指纹与参照图像的指纹的差异值，并基于所述差异值与预定阈值之间的比较，确定相应图像所对应规则集的类别。

4.根据权利要求1所述的基于卷积神经网络的数据包分类方法，其特征在于，还包括对目标规则集进行规则更新，所述规则更新包括基于所更新规则的前缀组合长度确定对应的哈希表，将在对应哈希桶中对所更新规则进行更新，并且更新该目标规则集对应的前缀组合分布的图像中所更新规则对应像素点的值。

5.根据权利要求1所述的基于卷积神经网络的数据包分类方法，其特征在于，还包括监测目标规则集的前缀组合分布更新前后的汉明距离，并基于该汉明距离确定是否进行哈希表的重构。

6.根据权利要求1所述的基于卷积神经网络的数据包分类方法，其特征在于，所述方法还包括为每个哈希表设置优先级，其优先级为该哈希表包含规则的最高优先级，对所有哈希表进行排序，进行数据包匹配时，当命中规则的优先级不小于下一个哈希表的优先级时停止查找。

7.根据权利要求1所述的基于卷积神经网络的数据包分类方法，其特征在于，性能评估采用公式进行，其中，表示平均哈希时间，表示平均验证时间，m为哈希表的数目，n_i表示第i个哈希表中的规则数，s_i表示第i个哈希表的大小，为优先级比较的时间。

8.一种基于卷积神经网络的数据包分类系统，其特征在于，所述系统包括离线系统和在线系统，

所述离线系统包括计算模块和卷积神经网络离线训练模块，所述在线系统包括数据包分类和转发模块和卷积神经网络在线模块，

所述计算模块用于对训练规则集中的各个规则集按照规则的源地址和目标地址的不同前缀范围组合对其中规则进行归并，对不同归并方案的性能进行评估确定每个规则集的最优归并方案，并且将训练规则集的各个规则集的每种前缀组合分布转换成图像，利用图像的参数表征相应前缀组合分布的参数，其中，所转换的图像的像素坐标表示相应规则集中规则的源地址和目标地址前缀长度或长度范围组合，像素值表示相应规则集中对应于该前缀长度或长度范围组合的规则的数量；

所述卷积神经网络离线训练模块利用所述训练规则集以所述训练规则集的图像和对应最优归并方案为特征进行卷积神经网络模型训练；

所述卷积神经网络在线模块用于将目标规则集的前缀组合分布转换成图像、利用图像的参数表征相应前缀组合分布的参数，并且利用训练好的卷积神经网络模型确定所述目标规则集的归并方案；

所述数据包分类和转发模块用于基于所述归并方案构建相应哈希表，以基于所述哈希表进行数据包分类。