[发明专利]流量识别系统及方法、服务器

权利要求书

1.一种流量识别系统，其特征在于，包括：相互连接的流采集器与切片模块；

所述流采集器用于采集来源于网络设备的待识别的流量数据，并将所述流量数据发送到所述切片模块；

所述切片模块用于提取接收到的所述流量数据中的各流量的特征数据，并将各所述流量的特征数据输入到卷积神经网络模型中，得到各所述流量所属的初步分类；

所述切片模块还用于将各所述初步分类下的所述流量分别输入到双向循环神经网络模型，得到各所述流量所属的最终分类。

2.根据权利要求1所述的流量识别系统，其特征在于，所述切片模块包括多个安全切片；

所述流采集器用于根据所述待识别的流量数据所属的应用类型与预设的安全切片与应用类型的对应关系，将所述流量数据发送到对应的所述安全切片；

所述安全切片用于提取接收到的所述流量数据中的各流量的特征数据，并将各所述流量的特征数据输入到卷积神经网络模型中，得到各所述流量所属的初步分类；

所述安全切片用于将各所述初步分类下的所述流量分别输入到双向循环神经网络模型，得到各所述流量所属的最终分类。

3.根据权利要求1所述的流量识别系统，其特征在于，所述切片模块用于对各所述流量的特征数据进行格式转换，并将经过格式转换的各所述流量的特征数据输入到卷积神经网络模型中，得到各所述流量所属的初步分类。

4.根据权利要求1至3所述的流量识别系统，其特征在于，所述卷积神经网络模型的训练过程为：

构建包括卷积层、池化层以及全连接层的卷积神经网络模型；

设置构建的所述卷积神经网络模型的参数；

利用多个训练样本数据对所述卷积神经网络模型进行训练，得到训练后的所述卷积神经网络。

5.根据权利要求4所述的流量识别系统，其特征在于，在所述卷积神经网络模型的参数中，输入神经元的个数为256、输出神经元的个数为128、激活函数为RELU函数、损失函数为交叉熵损失函数。

6.根据权利要求1至3所述的流量识别系统，其特征在于，所述双向循环神经网络模型的训练过程为：

构建包括输入层、前向神经网络层、反向神经网络层以及输出层的双向循环神经网络模型；

设置构建的所述双向循环神经网络模型的参数；

利用多个训练样本数据对所述双向循环神经网络模型进行训练，得到训练后的所述双向循环神经网络模型。

7.根据权利要求6所述的流量识别系统，其特征在于，在所述双向循环神经网络模型的参数中，输入神经元的个数为128、输出神经元的个数为64、激活函数为RELU函数、损失函数为交叉熵损失函数。

8.一种流量识别方法，其特征在于，包括：

采集来源于网络设备的待识别的流量数据；

提取接收到的所述流量数据中的各流量的特征数据，并将各所述流量的特征数据输入到卷积神经网络模型中，得到各所述流量所属的初步分类；

将各所述初步分类下的所述流量分别输入到双向循环神经网络模型，得到各所述流量所属的最终分类。

9.根据权利要求8所述的流量识别方法，其特征在于，所述将各所述流量的特征数据输入到卷积神经网络模型中，得到各所述流量所属的初步分类，包括：

将各所述流量的特征数据进行格式转换，并将经过格式转换的所述特征数据输入到卷积神经网络模型中，得到各所述流量所属的初步分类。

10.一种服务器，其特征在于，包括：至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求8或9所述的流量识别方法。