[发明专利]网络业务识别方法及装置

说明书

本发明实施例提供一种网络业务识别方法及装置，该方法包括：将业务数据流的特征数据输入至训练后的长短期记忆网络模型，输出与所述业务数据流对应的业务类型标签，所述长短期记忆网络模型为基于样本数据流的特征数据以及预先确定的样本数据流的业务类型标签进行训练后得到；根据所述长短期记忆网络模型输出的业务类型标签，获取所述业务数据流的业务类型。由于该LSTM网络模型是基于样本数据流的特征数据以及预先确定的数据流类型标签进行训练后得到，LSTM网络模型具有特征的长期记忆和短期记忆，能够充分考虑数据流中各个数据包在时间维度上和空间维度上的特征，从而数据流业务类型的识别更准确。

技术领域

本发明实施例涉及互联网领域，尤其涉及一种网络业务识别方法及装置。

背景技术

随着互联网的快速发展，网络承载业务的应用类型越来越多，从而网络监管和业务识别工作也日益复杂。对于网络运营商来说，高效成熟的网络业务识别技术，有利于流量计费和资源优化等工作的顺利进行。早期的网络业务识别方法是基于端口的识别方法，通过检测通信网络中各个交互的IP协议的端口号来进行识别，但是在动态分配端口的情况下以及对于加密的数据包，则无法进行识别处理。

当前应用最广泛的网络业务识别方法为基于深度/动态流检测(Deep/DynamicFlow Inspection，简称DFI)技术的方法。DFI技术的出现，很好的解决了对加密网络数据包无法解析的问题。与基于深度报文检测(Deep Packet Inspection，简称DPI)技术原理不同，DFI采用的是一种基于数据流特征的应用检测技术，利用不同业务类型体现在数据流上的特征状态各不同，且数据流行为特征不会因为加密而改变来实现。与DPI相比，DFI不仅可以识别加密的数据包，并且不用对数据包进行拆包，从而处理识别的速度更快。

现有的网络业务识别方法，需通过人工定义的全局特征值来实现，如通过数据流的总包数、上行平均包大小、下行平均包大小、总时延以及邻包间隔时延等统计特征来对业务数据流的类型进行标识，没有考虑到数据流中数据包与数据包之间的联系，从而提取的特征中缺少了数据流的整体特征和数据包之间的上下文信息，识别结果必然不够准确。

发明内容

为了解决上述问题，本发明实施例提供一种网络业务识别方法及装置。

第一方面，本发明提供一种网络业务识别方法，包括：将业务数据流的特征数据输入至训练后的长短期记忆网络(Long Short Term Memory networks，简称LSTM)模型，输出与所述业务数据流对应的业务类型标签,所述LSTM网络模型为基于样本数据流的特征数据以及预先确定的样本数据流业务类型标签进行训练后得到；根据LSTM网络模型输出的业务类型标签，获取所述业务数据流的网络业务类型。

第二方面，本发明提供一种网络业务识别装置，包括：输入模块，用于将业务数据流的特征数据输入至训练后的长短期记忆网络模型，输出与所述业务数据流对应的业务类型标签，所述长短期记忆网络模型为基于样本数据流的特征数据以及预先确定的样本数据流的业务类型标签进行训练后得到；输出模块，用于根据LSTM网络模型输出的业务类型标签，获取所述业务数据流的业务类型。

第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明第一方面网络业务识别方法的步骤。

第四方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面网络业务识别方法的步骤。

本发明实施例提供的网络业务识别方法，通过将业务数据流的特征数据输入至训练后的LSTM网络模型，获取业务数据流的网络业务类型。由于该LSTM网络模型是基于样本数据流的特征数据以及预先确定的数据流类型标签进行训练后得到，LSTM网络模型具有特征的长期记忆和短期记忆，能够充分考虑数据流中各个数据包在时间维度上和空间维度上的特征，从而使数据流业务类型的识别更准确。