[发明专利]一种网络流量识别方法及装置

说明书

本发明提供了一种网络流量识别方法及装置，该方法包括：基于获取到的待识别流量的连续特征，采用多元相关分析得到连续流量图；基于获取到的待识别流量的离散特征，采用独热编码和实体嵌入得到离散流量图；将连续流量图输入卷积神经网络得到连续流量图值；将离散流量图输入因子分解机，得到离散流量图值；将连续流量图值和离散流量图值输入归一化指数函数，获得待识别流量的类型。本发明提供的方法不仅适用于字节形式的原始网络流量，也适用于基于原始网络流量进行特征提取及组合后的非字节网络流量，增大了网络流量识别方法的应用范围，提高了网络流量识别的精确性。

技术领域

本发明涉及通信网络技术领域，特别是涉及一种网络流量识别方法及装置。

背景技术

随着网络技术的发展，这为业务类型的多样化带来了巨大挑战。识别每种业务的类型，也就是识别每种网络流量的类型，成为网络学术研究和部署运营的关注重点。

网络流量是记录和反映网络及其用户活动的重要载体，网络流量识别可用于网络态势的评估、应用程序的发展分析以及精细化运营等。随着业务类型的多样化，动态端口以及加密流量的出现使得基于端口或有效载荷的网络流量识别技术受限，智能化的网络流量识别是当前重点研究思路，如通过传统的机器学习方法进行网络流量识别。传统的机器学习方法基于统计特征的提取与组合实现了网络流量的识别，避免了动态端口以及加密流量技术的限制，但是传统的机器学习方法需要人为主观确定特征的选择与组合方式，使得流量识别的效率及准确性较低。

所以，目前的一种新型研究思路是将深度学习中的图像分类引入流量识别中，利用表征学习实现流量特征到像素点的转换从而实现网络流量识别，如将字节形式的原始流量数据包以灰度图的形式表示，通过对灰度图的分类实现网络流量的分类。这一方法实现简单，但是当输入数据为基于原始网络流量进行特征提取及组合后的非字节网络流量时，该方法无法准确地识别出网络流量的类型，因此该方法的应用范围较小，网络流量识别的精确性较低。

发明内容

本发明的目的在于提供一种网络流量识别方法及装置，以增大网络流量识别方法的应用范围，提高网络流量识别的精确性。具体技术方案如下：

为达到上述目的，本发明实施例提供了一种网络流量识别方法，所述方法包括：

基于获取到的待识别流量的连续特征，采用多元相关分析将所述连续特征映射成像素值，得到连续流量图；

基于获取到的所述待识别流量的离散特征，采用独热编码和实体嵌入将所述离散特征映射成像素值，得到离散流量图；

将所述连续流量图输入卷积神经网络得到连续流量图值，所述卷积神经网络用于对所述连续特征进行高阶组合；

将所述离散流量图输入因子分解机，得到离散流量图值，所述因子分解机用于对所述离散特征进行低阶组合；

将所述连续流量图值和所述离散流量图值输入归一化指数函数，获得所述待识别流量的类型。

可选的，所述基于获取到的待识别流量的连续特征，采用多元相关分析将所述连续特征映射成像素值，得到连续流量图的步骤，包括：

将所述待识别流量的每一连续特征输入标准差标准化函数，得到标准化后的连续特征；

计算每两个标准化后的连续特征之间的相关性；

根据所述每两个标准化后的连续特征间的相关性，确定所述连续特征对应的相关性矩阵；

将所述相关性矩阵中每一元素的值映射至灰度图中像素点的取值范围之间，得到所述相关性矩阵中每一元素对应的像素值；

利用所述相关性矩阵中每一元素对应的像素值，生成所述连续流量图。

可选的，所述计算每两个标准化后的连续特征之间的相关性的步骤，包括：