[发明专利]基于子流分形指数的流量在线识别方法

说明书

本发明适用于通讯技术领域，提供了一种基于子流分形指数的流量在线识别方法，该方法包括如下步骤：从切入点时间t₀开始，截取子流片段并进行采样，得到子流序列对子流序列进行归一化；估算子流的分形指数；计算子流分形指数与各已确定流量类型的m个随机分形指数的差异量；将小于阈值T^*的最小差异量对应的已确定流量类型作为所述待测流量的流量类型。本发明实施例通过基于子流的分形指数及系统中的已确定类型的分形指数集进行流量类型的在线识别，不需要提取统计特征，因此避免了准确性与实时性不可兼得的矛盾，也避免了持续观测流量以获得统计特征数据而影响实时性的不利因素。

技术领域

本发明属于通信术领域，尤其涉及一种基于子流分形指数的流量在线识别方法。

背景技术

对网络流量进行准确有效的分类识别，可以帮助监测网络中的异常流量和攻击流量，以确保网络安全、保障网络平稳运行；还可以帮助运营商实施有区分的服务、实现流量计费，让青少年远离黄色、暴力等不良视频数据信息，限制网络上的垃圾视频流量等；此外，网络资源的最大化利用、保障高效的端到端QoS，都离不开网络流量的精细化分类，因此，网络流量的分类识别成为通信领域的研究热点。

研究者们开始基于机器学习、利用特征提取的方法进行在线分类技术的研究，这种方法在准确率、稳定性、灵活性等方面具有出色的表现，成为当前在线分类技术的研究热点，并产生系列研究成果，如朴素贝叶斯算法、基于关联快速过滤机制、核估计技术的贝叶斯算法、决策树算法、支持向量机算法、神经网络算法以及聚类算法等等，在这一类方法中，特征的选取直接决定了流量分类方法的准确性和实时性，一般来说，增加特征会获得更好的分类效果，但是计算开销和存储开销也会指数级增长，使得分类的实时性大幅降低，因此，难以兼顾准确性与实时性。

发明内容

本发明实施例提供一种基于子流分形指数的流量在线识别方法，旨在解决基于机器学习、利用特征提取的方法进行在线分类技术难以兼顾准确性与实时性的问题。

本发明实施例提供了一种基于子流分形指数的流量在线识别方法，该方法包括如下步骤：

S1、对待测流量X(t)，从切入点时间t₀开始，截取子流片段并进行采样，得到子流序列

S2、对所述子流序列进行归一化；

S3、估算子流的分形指数D_H；

S4、计算子流分形指数D_H与各已确定流量类型的m个随机分形指数的差异量；

S5、将小于阈值T^*的最小差异量对应的已确定流量类型作为所述待测流量的流量类型。

本发明实施例提供了另一种基于子流分形指数的流量在线识别方法，该方法包括如下步骤：

S1、对待测流量X(t)，从切入点时间t₀开始，截取子流片段并进行采样，得到子流序列

S2、对子所述子流序列进行归一化；

S3、估算子流的分形指数D_H；

S6、将子流的分形指数与已确定流量类型的分形指数区间进行比较，获取子流的预估流量类型，每种已确定流量类型都对应一个分形指数区间；

S7、计算子流的分形指数与预估流量类型的m个随机分形指数的差异量，所述预估流量类型为距子流分形指数最近的两分形指数区间对应的两已确定流量类型，子流分形指数到分形指数区间的距离为子流分形指数到临近子流分形指数的分形指数区间端值之间的距离；

S8、将小于阈值T^*的最小差异量对应的预估流量类型作为所述待测流量的流量类型。