[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

说明书

本发明提供一种基于卷积神经网络的数据包分类方法及系统。所述方法包括对于训练规则集中的每个规则集进行归并，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；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，以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；基于图像相似性对目标规则集分类，构建相应哈希表，用于数据包分类。本发明的方法可以显著提升数据包查找性能，提升数据包查找速度，并提升规则的更新速度。本发明的系统通过在线系统与离线系统的相互协作，能够保证在线系统实现数据包的高效查找以及规则集快速更新，并且可以监测规则集的更新，始终反映网络的最新状态。

技术领域

本发明涉及计算机网络中数据包查找分类技术领域，具体涉及一种基 于卷积神经网络的数据包分类方法。

背景技术

数据包查找分类通过预先定义或者动态生成的规则集合，实现数据包 分类处理，是交换机、路由器、防火墙、负载平衡器、云平台软件交换机 和其他网络设备中的基础关键功能。软件定义网络、网络功能虚拟化、云 计算等场景需要频繁更新规则。规则存储成决策树等数据结构可以实现数 据包高速匹配转发，但规则更新速度慢，在规则更新时，数据包匹配转发 速度将极大降低。基于哈希的数据包分类方法可以支持快速规则更新，但 匹配转发速度慢。软件定义网络、网络功能虚拟化和云计算等设备迫切需 要一种既可以支高速的数据包匹配转发，又满足规则的快速在线更新的数 据包分类方法。

目前现有的数据包分类技术主要分为三类：基于硬件的数据包分类技 术，基于降维的数据包分类技术和基于空间划分的数据包分类技术。

在基于硬件的数据包分类技术中,T-CAM通过实现并行搜索从而降低 查找时间。但是，T-CAM存在存储空间有限、耗电量大和规则更新速度慢 等缺点。除T-CAM外，数据包分类也可以在其他硬件平台上运行，例如 GPU和FPGA。但是，在这些平台运行需要特定的芯片、硬件指令和编程 语言进行设计，实现与应用较为不便。

在基于降维的数据包分类技术中，Cross-producting和RFC首先将多 维规则分成若干个单维规则以单独匹配，最终将所有单维匹配的结果进行 合并。这种方法的缺点是，当规则集很大时，合并过程变得非常复杂。此 外，当一条规则更新时，每个维度相对应的规则表都需要进行更新，规则 更新速度缓慢。

在基于空间划分的数据包分类技术中，分类过程不是将传入数据包与 整个规则集匹配，而是分为两个步骤：第一步确定要搜索的规则集子空间， 第二步并将数据包与相应子空间中的规则进行匹配。这种方法进一步分为 两类：决策树方法和基于哈希的方法。

决策树方法(如HiCuts和HyperCuts)的关键思想是将搜索空间递归 地划分为多个子空间，直到每个区域中的规则数目低于某个阈值。决策树 的高效性保证了数据包的高速分类，但是基于树的数据结构存在更新缓慢 的问题。此外，某些规则可能需要复制到多个子空间，从而导致内存开销 变大。EffiCut和SmartSplit提出了一些规则空间分区策略来减少规则复制， 但这类方法仍然无法支持快速规则更新。

基于哈希的方法(比如Tuple Space Search)则可以实现规则的快速更 新，但是其缺点在于数据包的查找和匹配速度较慢。Tuple Space Search方 法中，当进行数据包分类时，需要一次性搜索所有哈希表以找到匹配的规 则，因此分类速度会随着哈希表数量的增加而降低。当规则更新时，仅需 要找到对应的哈希表，插入或删除规则，因此TSS能够支持快速更新。虽 然现有方法如Pruned Tuple Space Search，TupleMerge和PartitionSort通过 牺牲更新的性能，来提高TSS的查找速度，但是仍然无法同时支持数据包 的高效分类和高速的在线规则更新。

发明内容

因此，现有的各种数据包分类方法都无法兼顾搜索速度、更新的速度 和准确性，无法实现高效的数据包分类和高速的在线规则更新。