[发明专利]一种基于多任务学习的实时业务流量分类方法及系统

权利要求书

1.一种基于多任务学习的实时业务流量分类方法，其特征在于，所述方法包括：

获取流量数据集，所述流量数据集包括多个数据流；

根据数据流类型对所述流量数据集中的数据流进行分类标注，得到业务类型标签；

对所述流量数据集中的所有数据流进行特征提取，得到流量特征集，所述流量特征集包括每个数据流对应的流量特征，所述流量特征包括所述数据流的数据包到达间隔时间、数据包大小和数据包方向；

基于所述数据包大小，获取所述数据流的流量用量和带宽需求；

根据预设分隔符对所述流量用量和所述带宽需求进行分类标注，得到辅助任务类别标签；

对所述流量特征集进行归一化处理，得到流量训练集；

构建基于硬参数共享的多任务学习的卷积神经网络模型，其中，流量业务分类作为主要任务，带宽预测与流量用量预测作为辅助任务；

将所述流量数据集、所述流量训练集、所述业务类型标签和所述辅助任务类别标签输入所述卷积神经网络模型中进行多任务训练，得到流量分类模型；

将实时网络流量数据输入所述流量分类模型中，以得到所述流量分类模型输出的分类结果，所述分类结果包括所述实时网络流量数据的业务类型和辅助任务类别，所述辅助任务类别包括带宽需求的类别和流量用量的类别。

2.根据权利要求1所述的基于多任务学习的实时业务流量分类方法，其特征在于，获取流量数据集的步骤包括：

采集网络流量数据；

按照数据流粒度对所述网络流量数据进行流量切分，得到多个数据流，以构成所述流量数据集。

3.根据权利要求1所述的基于多任务学习的实时业务流量分类方法，其特征在于，在路由决策场景中，所述分类结果为粗粒度分类结果。

4.根据权利要求1所述的基于多任务学习的实时业务流量分类方法，其特征在于，基于所述数据包大小，获取所述数据流的流量用量和带宽需求的步骤包括：

将所述数据流中所有数据包的数据包大小对应的数值进行求和计算，以得到所述数据流的流量用量；

获取所述数据流的持续时间，所述持续时间为所述数据流中最后一个数据包距第一个数据包到达时的时间；

计算所述流量用量与所述持续时间的比值，以得到所述数据流的带宽需求。

5.根据权利要求4所述的基于多任务学习的实时业务流量分类方法，其特征在于，对所述流量特征集进行归一化处理，得到流量训练集的步骤包括：

根据所述数据包方向，改变所述数据包长度对应的数值的正负，以得到带方向信息的数据包长度，所述正负用于表征所述数据包方向，所述数据包方向包括接收和发送；

根据预设数据包长度对所述带方向信息的数据包长度进行归一化处理；

根据预设数据包到达间隔时间对所述数据包到达间隔时间进行归一化处理。

6.根据权利要求1所述的基于多任务学习的实时业务流量分类方法，其特征在于，所述流量数据集包括已知类别的数据流和未知类别的数据流，根据数据流类型对所述已知类别的数据流进行分类标注，得到业务类型标签。

7.根据权利要求1所述的基于多任务学习的实时业务流量分类方法，其特征在于，将所述流量特征集输入所述卷积神经网络模型中的步骤包括：

选取所述流量特征集中前K个数据包对应的流量特征，所述K为小于或者等于数据包个数的正整数；

基于选取的前K个数据包对应的流量特征，构成长度为K的向量，所述向量包含第一通道和第二通道，所述第一通道表征前K个数据包的到达间隔时间，所述第二通道表征前K个数据包的大小和方向；

将所述向量输入所述卷积神经网络模型中。