[发明专利]基于云边协同的联邦学习的业务类型识别方法

说明书

本发明提出了一种基于云边协同的联邦学习的业务类型识别方法，属于通信技术领域，实现步骤为：(1)构建云边协同平台；(2)每个边缘服务器获取训练集和测试集；(3)云端服务器构建全局模型并发送初始化数据；(4)每个边缘服务器对云端服务器的指令进行响应；(5)云边协同平台基于联邦学习对全局模型进行迭代训练；(6)获取业务类型识别结果。本发明采用云边协同的联邦学习算法，对每个边缘服务器抓取数据流制作的数据集进行全局模型训练，以扩大数据集的范围，增强全局模型的泛化能力，进而扩大业务类型识别的适用范围。

技术领域

本发明属于通信技术领域，涉及一种业务类型识别方法，具体涉及一种基于云边协同的联邦学习的业务类型识别方法，可用于云端服务器与边缘服务器协同工作时，对流经边缘服务器中的业务数据流类型进行识别。

背景技术

随着5G带来大带宽、低时延、广连接三大特点，海量的数据业务(网络直播业务、游戏业务，视频业务等)涌现在移动网络和互联网中。为了识别出网络中流经数据流的业务类型，便出现了业务类型识别技术。服务器通过业务类型识别方法识别用户请求数据业务的类型(网络直播、游戏，视频等)，进而为该业务分配相应的计算资源、网络资源以更好的保证用户的服务质量，进而提高用户的满意度。早期基于端口进行业务识别是最快捷、最简单的方式，但随着业务的增多，不同业务占用相同端口越来越多，导致采用基于端口进行业务类型识别的准确率下降甚至失效。基于深度包检测的业务类型识别方法通过提取数据流大量关于业务特征的信息，并与特征库进行匹配实现对业务类型识别，虽然避免了采用端口进行业务识别，获得很好的识别精度，但需要人工手动进行特征库的提取与设计，且难度较大，同时随着网络应用的发展，数据流业务的特征库也随之变换，因此业务类型识别精度也会随着特征库的变化而降低。

基于机器学习的业务识别方法克服了需要人工手动进行特征库的提取与设计的缺陷，例如，申请公布号为CN 111917665 A，名称为“一种终端应用数据流识别方法及系统”的专利申请，公开了一种机器学习的终端应用数据流识别方法，该方法首先对实时采集的待识别终端应用数据流进行预处理，得到按照五元组信息进行分类后的多个类别的数据包集合；再对所得各类别的数据包集合，提取其第一数据特征，分别与多个预设应用业务的特征进行匹配，若能够与任意一种预设应用行为的特征匹配成功，则该类别的数据包集合中的所有数据包的所属应用业务均为该预设应用业务，操作结束；否则，对所得各类别的数据包集合，提取其第二数据特征，并输入到预训练好的数据流识别模型中，对数据流进行识别。该方法避免了人工手动进行特征库的提取与设计，大大提高数据流识别的准确率。但其终端应用数据流的数据集较少，训练得到的模型不具备很好的泛化能力，导致业务类型识别适用范围较小。

随着边缘计算概念的提出，更多的服务提供商将其提供服务的服务器放置在更靠近用户的边缘端，并与具有强大计算能力的云端服务器进行云边协同为用户提供服务。云边协同指的是在边缘服务器资源不足的情况下，可以调用云端服务器的资源进行补充，并满足边缘侧应用对资源的需要。联邦学习作为分布式的机器学习范式,可以有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,能从技术上打破数据孤岛,实现人工智能协同。通过云边协同和联邦学习方法提供了一种通过扩大数据流的数据集范围，实现扩大业务类型识别范围的可能。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于云边协同的联邦学习的业务类型识别方法，在保证业务类型识别精度和效率的同时，拓宽业务类型识别的适用范围。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)构建云边协同平台：