[发明专利]基于深度学习的sketch网络测量方法及电子设备

权利要求书

1.一种基于深度学习的sketch网络测量方法，其特征在于，包括：

获取sketch中的采样流量和所述采样流量对应的第一属性标签；

根据所述采样流量和所述第一属性标签对预设网络模型进行训练，得到流量属性预测模型；

将待测网络流量输入所述流量属性预测模型中，获取所述待测网络流量的属性类别；

根据所述属性类别将所述待测网络流量插入sketch中进行网络测量。

2.根据权利要求1所述的基于深度学习的sketch网络测量方法，其特征在于，所述根据所述采样流量和所述第一属性标签对预设网络模型进行训练，得到流量属性预测模型的步骤包括：

将所述采样流量输入预设网络模型中，并获取所述预设网络模型输出的预测属性标签；

根据所述预测属性标签和所述第一属性标签对所述预设网络模型的模型参数进行更新，直至所述预设网络模型的训练情况满足预设条件，以得到流量属性预测模型。

3.根据权利要求2所述的基于深度学习的sketch网络测量方法，其特征在于，所述根据所述预测属性标签和所述第一属性标签对所述预设网络模型的模型参数进行更新，直至所述预设网络模型的训练情况满足预设条件的步骤包括：

根据所述预测属性标签和所述第一属性标签确定损失值，并判断所述损失值是否小于预设阈值；

若否，则根据预设的参数学习率对所述预设网络模型的模型参数进行更新，直至所述损失值小于预设阈值。

4.根据权利要求1所述的基于深度学习的sketch网络测量方法，其特征在于，所述将待测网络流量输入所述流量属性预测模型中，获取所述待测网络流量的属性类别的步骤包括：

将待测网络流量输入所述流量属性预测模型中，并获取所述流量属性预测模型输出的属性类别概率；

根据所述属性类别概率，获取所述待测网络流量的属性类别。

5.根据权利要求1所述的基于深度学习的sketch网络测量方法，其特征在于，所述属性类别包括第一属性类别和第二属性类别，所述sketch包括哈希主表和哈希副表，所述根据所述属性类别将所述待测网络流量插入sketch中进行网络测量的步骤包括：

当所述属性类别为第一属性类别时，将所述待测网络流量插入哈希主表中进行网络测量；其中，第一属性类别的网络流量的数据包数目大于预设数据包阈值；

当所述属性类别为第二属性类别时，将所述待测网络流量插入哈希副表中进行网络测量；其中，第二属性类别的网络流量的数据包数目小于或者等于预设数据包阈值。

6.根据权利要求5所述的基于深度学习的sketch网络测量方法，其特征在于，所述将所述待测网络流量插入哈希主表中进行网络测量的步骤包括：

通过所述哈希主表中的第一哈希函数对所述待测网络流量的流ID进行哈希运算，获取所述待测网络流量在所述哈希主表中的位置信息；

根据所述位置信息将所述待测网络流量插入所述哈希主表中进行网络测量。

7.根据权利要求5所述的基于深度学习的sketch网络测量方法，其特征在于，所述将所述待测网络流量插入哈希副表中进行网络测量的步骤包括：

通过所述哈希副表中的第二哈希函数对所述待测网络流量的流ID进行哈希运算，获取所述待测网络流量在所述哈希副表对应的计数器信息；

根据所述计数器信息将所述待测网络流量插入所述哈希副表中进行网络测量。

8.根据权利要求7所述的基于深度学习的sketch网络测量方法，其特征在于，所述根据所述计数器信息将所述待测网络流量插入所述哈希副表中进行网络测量的步骤之后包括：

通过所述第二哈希函数将所述待测网络流量的流ID映射到所述计数器上，获取所述待测网络流量的数据包数目；

当所述待测网络流量的数据包数目大于预设数据包阈值时，将所述待测网络流量插入所述哈希主表中进行网络测量。