[發明專利]網絡流量識別方法、設備及計算機存儲介質

有效

• 申請號: 202011264614.2
• 申請日: 2020-11-11
• 公開（公告）號: CN112437022B
• 公開（公告）日: 2023-05-19
• 發明（設計）人: 譚小彬;陳令安;佟欣欣;姜曉楓;楊堅;鄭烇;吳楓;張勇東
• 申請（專利權）人: 中國科學技術大學先進技術研究院
• 主分類號: H04L41/069
• 分類號: H04L41/069;H04L47/125
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 關向蘭

本發明公開了一種網絡流量識別方法、設備及介質，該方法包括：預處理采集到的網絡數據，提取每一個網絡會話的特征信息，生成流量日志；基于流量日志，構建預設時間段內的第一形式流量圖；在第一形式流量圖中增加構建服務器端節點之間相關性的相關邊，生成第二形式流量圖；利用第二形式流量圖的數據對圖神經網絡進行訓練，生成網絡流量識別模型；將未知流量轉換為第二形式流量圖輸入網絡流量識別模型；網絡流量識別模型將未知流量的第二形式流量圖和自身學習到的圖模式進行匹配；當匹配程度大于預設閾值時，則判定所述未知流量對應的圖模式，從而確定未知流量對應的網絡應用。本發明實現構建異構圖訓練網絡流量識別模型判定圖模式以及網絡應用。

技術領域

本發明涉及計算機網絡技術領域，尤其涉及一種網絡流量識別方法。

背景技術

流量識別是網絡運營商所需的重要技術，它有助于運營商和網絡管理者合理調度網絡帶寬資源，保障用戶QoE，提升網絡管理水平，改善網絡服務質量。隨著互聯網和在線服務的飛速發展，流量識別越來越重要。

傳統的流量識別方法主要是基于端口的檢測，然而隨著網絡技術的發展，網絡協議越來越多的采用隨機端口號進行通訊。此時另一種方法被提出來，就是深度包檢測技術（DPI）。但這種方法的缺點是只能識別已知的協議，需要花費較多的人工去分析協議，并且識別過程需要較大的運算量，對于加密流量無能為力。對于加密流量，基于統計學的方法是目前較為廣泛的流量識別方法。這種方法主要研究流量的數據包特征和數據流特征，在提取特征后通過機器學習、模式識別或者深度學習的方法來建模，最后通過模型來完成對未知流量的識別。

在將傳統深度學習的技術應用到加密流量檢測中時，這兩個特點就成為了限制：其一，網絡流量及其特征并非天然的存在于歐式空間，因此許多基于卷積神經網絡的加密流量檢測方法為了將流量特征轉化到歐式空間，對這些特征進行了簡單的拼接甚至重復，形式上地映射到歐式空間以期卷積神經網絡能自動提取其潛在的特征。但是，由于在深度學習中大量采用的卷積操作只能提取歐式空間中每個數據點及其附近的數據點的特征，因此這種方法會受限于特征的排布方式。其二，在實際的網絡流量中，同一個網絡應用往往產生多個數據流，這些流相互之間有著密切的聯系，而深度學習的方法往往將這些流獨立看待，期望從這些流本身的字節分布特征和流特征上識別出特定的網絡應用，這就忽視了相同網絡應用產生的不同數據流之間的聯系。

相比于傳統的深度學習基于流的加密流量識別的缺陷，考慮多條數據流的關系，綜合識別網絡應用，有很大的優勢，能大大提高識別的性能。而圖神經網絡更加合適用于面向多條數據流綜合關聯分析的網絡數據流量識別。

發明內容

有鑒于此，提供一種網絡流量識別方法，解決網絡流量識別正確率低的問題。

本申請實施例提供了一種網絡流量識別方法，所述方法包括：

預處理采集到的網絡數據，提取每一個網絡會話的特征信息，生成流量日志；

基于所述流量日志，構建預設時間段內的第一形式流量圖；

在所述第一形式流量圖中增加構建服務器端節點之間相關性的相關邊，生成第二形式流量圖；

利用所述第二形式流量圖的數據對圖神經網絡進行訓練，生成網絡流量識別模型；

將未知流量轉換為第二形式流量圖輸入所述網絡流量識別模型；

所述網絡流量識別模型將未知流量的第二形式流量圖和自身學習到的圖模式進行匹配；

當匹配程度大于預設閾值時，則判定所述未知流量對應的圖模式，從而確定未知流量對應的網絡應用。

在一實施例中，所述增加構建所述服務器端節點之間相關性的相關邊，包括：

根據預設方法計算所有服務器端節點之間的相關性；

基于所述相關性，根據預設條件構建相關邊。