[發(fā)明專利]用戶上網(wǎng)信令內(nèi)容解析方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201711491081.X
• 申請(qǐng)日: 2017-12-30
• 公開（公告）號(hào): CN108205592A
• 公開（公告）日: 2018-06-26
• 發(fā)明（設(shè)計(jì)）人: 李亮;鄭建兵;趙雨;顧強(qiáng);孫苑苑
• 申請(qǐng)（專利權(quán)）人: 中國移動(dòng)通信集團(tuán)江蘇有限公司;中國移動(dòng)通信集團(tuán)公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30;G06N3/04
• 代理公司: 北京東方億思知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11258
• 代理人: 彭瓊

1.一種用戶上網(wǎng)信令內(nèi)容解析方法，其特征在于，所述方法包括：

接收用戶上網(wǎng)所輸入的原始信令；

從所述原始信令的內(nèi)容中提取特征字段；

獲取所有訓(xùn)練集，所述訓(xùn)練集包括從所述原始信令的內(nèi)容中提取的所述特征字段；

采用循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)所述訓(xùn)練集進(jìn)行訓(xùn)練獲得M×N的矩陣，其中M表示所述特征字段中字符集合長度，N表示向量維度，M、N均為正整數(shù)；

所述M×N的矩陣通過第一預(yù)定數(shù)目層的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行特征提取；

提取后的特征通過第二預(yù)定數(shù)目層的前置神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類，完成用戶上網(wǎng)所輸入的原始信令對(duì)應(yīng)的應(yīng)用程序身份信息的確認(rèn)。

2.根據(jù)權(quán)利要求1所述的用戶上網(wǎng)信令內(nèi)容解析方法，其特征在于，所述特征字段包括HOST、IP和URL中的至少一種。

3.根據(jù)權(quán)利要求2所述的用戶上網(wǎng)信令內(nèi)容解析方法，其特征在于，所述采用循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)所述訓(xùn)練集進(jìn)行訓(xùn)練獲得M×N的矩陣，其中M表示所述特征字段中字符集合長度，N表示向量維度，M、N均為正整數(shù)包括：

采用循環(huán)神經(jīng)網(wǎng)絡(luò)模型中的長短時(shí)記憶模型對(duì)所述訓(xùn)練集進(jìn)行訓(xùn)練；

依據(jù)訓(xùn)練獲得所述M×N的矩陣。

4.根據(jù)權(quán)利要求3所述的用戶上網(wǎng)信令內(nèi)容解析方法，其特征在于，所述特征字段為HOST時(shí)，所述N取值為32、64或128。

5.根據(jù)權(quán)利要求1所述的用戶上網(wǎng)信令內(nèi)容解析方法，其特征在于，所述M×N的矩陣通過第一預(yù)定數(shù)目層的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行特征提取包括：

所述M×N的矩陣通過K層卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行特征提取，所述K層卷積神經(jīng)網(wǎng)絡(luò)模型包括K/2層卷積層和K/2層池化層，其中K為正偶數(shù)。

6.根據(jù)權(quán)利要求5所述的用戶上網(wǎng)信令內(nèi)容解析方法，其特征在于，所述K值取6。

7.根據(jù)權(quán)利要求1至6所述的用戶上網(wǎng)信令內(nèi)容解析方法，其特征在于，所述提取后的特征通過第二預(yù)定數(shù)目層的前置神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類，完成用戶上網(wǎng)所輸入的原始信令對(duì)應(yīng)的應(yīng)用程序身份信息的確認(rèn)包括：

提取后的特征通過3層的前置神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類，各分類對(duì)應(yīng)一個(gè)應(yīng)用程序的身份信息；

完成用戶上網(wǎng)所輸入的原始信令對(duì)應(yīng)的應(yīng)用程序身份信息的確認(rèn)。

8.一種用戶上網(wǎng)信令內(nèi)容解析裝置，其特征在于，所述裝置包括：

接收模塊，用于接收用戶上網(wǎng)所輸入的原始信令；

提取模塊，用于從所述原始信令的內(nèi)容中提取特征字段；

訓(xùn)練集獲取模塊，用于獲取所有訓(xùn)練集，所述訓(xùn)練集包括從所述原始信令的內(nèi)容中提取的所述特征字段；

預(yù)處理模塊，用于采用循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)所述訓(xùn)練集進(jìn)行訓(xùn)練獲得M×N的矩陣，其中M表示所述特征字段中字符集合長度，N表示向量維度，M、N均為正整數(shù)；

特征訓(xùn)練模塊，用于所述M×N的矩陣通過第一預(yù)定數(shù)目層的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行特征訓(xùn)練；

確認(rèn)模塊，用于提取后的特征通過第二預(yù)定數(shù)目層的前置神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類，完成用戶上網(wǎng)所輸入的原始信令對(duì)應(yīng)的應(yīng)用程序身份信息的確認(rèn)。

9.一種用戶上網(wǎng)信令內(nèi)容解析設(shè)備，其特征在于，包括：至少一個(gè)處理器、至少一個(gè)存儲(chǔ)器以及存儲(chǔ)在所述存儲(chǔ)器中的計(jì)算機(jī)程序指令，當(dāng)所述計(jì)算機(jī)程序指令被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-7中任一項(xiàng)所述的方法。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，其特征在于，當(dāng)所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-7中任一項(xiàng)所述的方法。