[发明专利]流量识别方法、装置、电子设备及存储介质

说明书

本发明实施例涉及IT应用技术领域，公开了一种流量识别方法。本发明将待识别流量数据输入至流量分类模型中，在所述流量分类模型内，利用深度堆栈自编码器计算所述待识别流量数据的流量分类，得到流量分类子集，将所述流量分类子集输入至流量识别模型中进行卷积池化操作得到流量特征集，并根据所述流量特征集，计算得到流量识别结果。本发明还提出一种流量识别装置、电子设备以及计算机可读存储介质。本发明可以解决依赖端口号及负载信息导致计算复杂度偏高且异常流量识别准确性较低的问题。

技术领域

本发明实施例涉及IT应用技术领域，特别涉及一种流量识别的方法、装置、电子设备及存储介质。

背景技术

互联网业务的快速发展，使得各类网络应用层出不穷，这些网络应用给我们的生活带来便利的同时，也随之产生了异常庞大的网络流量，在海量的网络流量中如何准确有效地识别出部分网络应用所产生的流量，这对流量监控、入侵检测及用户行为分析等网络安全管理具有重要的实际应用价值。

传统的流量识别方法，主要是有基于端口的流量识别方法、基于负载的流量识别方法、基于主机行为的流量识别方法以及基于机器学习的流量识别方法。发明人发现，理论上这些方法均适用于网络应用的流量识别，但这些方法一般需要依赖端口号、负载信息及大量特征数据，导致计算复杂度偏高且识别准确性较低。

发明内容

本发明实施方式的目的在于提供一种流量识别方法、装置、电子设备及存储介质，其能够解决依赖端口号及负载信息，导致计算复杂度偏高且异常流量识别准确性较低的问题。

为解决上述技术问题，本发明的实施方式提供了一种流量识别方法，所述方法包括：

将待识别流量数据输入至流量分类模型中，在所述流量分类模型内，利用深度堆栈自编码器计算所述待识别流量数据的流量分类，得到流量分类子集；

将所述流量分类子集输入至流量识别模型中进行卷积池化操作得到流量特征集，并根据所述流量特征集，计算得到流量识别结果。

为了解决上述问题，本发明还提供一种流量识别装置，所述装置包括：

流量分类模块，用于将待识别流量数据输入至流量分类模型中，在所述流量分类模型内，利用深度堆栈自编码器计算所述待识别流量数据的流量分类，得到流量分类子集；

流量识别模块，用于将所述流量分类子集输入至流量识别模型中进行卷积池化操作得到流量特征集，并根据所述流量特征集，计算得到流量识别结果。

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现上述所述的流量识别方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的流量识别方法。

本发明实施例通过流量分类模型对流量数据进行分类，使用流量识别模型提取出分类后的多个流量数据，进而识别出是否为异常流量，由于流量分类模型基于深度堆栈自编码器进行分类计算，流量识别模型基于卷积池化操作，由于深度堆栈自编码器和卷积池化操作都以深度学习为基础，而深度学习具有自适应性强、提取精确的特点，故不需要依赖流量所在的端口号的同时，对异常流量的识别也更准确，另外由于卷积池化操作会大量减少流量数据的数据维度，因此可有效的解决计算复杂度偏高的问题。

优选地，本方法还包括构建所述流量分类模型，其中，所述构建包括：

利用深度堆栈自编码器及BP神经网络模型构建包括输入层、隐藏层及输出层的神经网络；

设置所述神经网络中输入层及输出层的神经元个数得到所述流量分类模型。