[发明专利]基于深度学习的sketch网络测量方法及电子设备

说明书

本发明公开了基于深度学习的sketch网络测量方法及电子设备，包括：获取sketch中的采样流量和采样流量对应的第一属性标签；根据采样流量和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流量属性预测模型中，获取待测网络流量的属性类别；根据属性类别将所述待测网络流量插入sketch中进行网络测量。本发明通过sketch中的采样流量对预设网络模型进行训练，得到用于对待测网络流量的属性类别进行预测的流量属性预测模型，根据流量属性预测模型的预测结果将待测网络流量插入sketch中进行网络测量，避免了待测网络流量在哈希主表和哈希副表间的频繁交换，提高了网络测量的精度。

技术领域

本发明涉及网络测量技术领域，具体涉及基于深度学习的sketch网络测量方法及电子设备。

背景技术

网络状态检测、网络故障分析、网络安全防御等是保证现代网络鲁棒性和安全性的重要技术，网络测量为上述技术提供了基本的信息，是上述技术的基础。然而，随着网络的高速发展，测量海量的流量数据成为网络测量的难点，需要在有限的资源下，尽可能提升测量的准确度。其中，Sketch是一种基于散列的近似的数据结构，由于其具备精确度和资源理论上的平衡特性，被网络测量领域广泛接受。

传统的Sketch使用哈希主表和哈希副表分别存储数据包数目大于预设数据包阈值和小于或者等于预设数据包阈值的网络流量，由于不能提前判断待测网络流量的属性，需要在哈希主表和哈希副表间频繁交换流量。而哈希副表是一个没有流ID标记的哈希表，这意味着会有多条流被哈希至同一位置，从而导致计数值普遍偏大。

因此，现有技术还有待于改进和发展。

发明内容

针对现有技术的上述缺陷，本发明提供一种基于深度学习的sketch网络测量方法及电子设备，旨在解决现有Sketch进行网络测量时，待测网络流量需要在哈希主表和哈希副表间频繁交换，导致计数值不准确的问题。

本发明解决技术问题所采用的技术方案如下：

一种基于深度学习的sketch网络测量方法，其中，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。

所述的基于深度学习的sketch网络测量方法，其中，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。

所述的基于深度学习的sketch网络测量方法，其中，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。

所述的基于深度学习的sketch网络测量方法，其中，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：