买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京信息工程大学

摘要：本发明提供了一种基于卷积神经网络的渐进式业务流量分类方法和装置，所述方法包括：通过设置初始时间窗口大小，阶段性地收集数据包，构建模型的特征输入和索引；输入到渐进式一维卷积神经网络对网络流量数据的时间序列特征进行学习，根据实际数据包使用数量动态选择输出头输出分类结果，将分类结果进行置信度评估；根据评估结果重新反馈给数据包时间窗口大小，从而灵活调整分类时所需数据包数量。本发明通过渐进式处理策略，有效应对数据中心环境下高速且复杂的网络流量，可以及时做出分类决策，显著提高处理速度和响应能力，本发明在数据中心网络管理，特别是在网络资源分配、服务质量保障及安全监控方面，展现了广泛的应用潜力。

主权项：1.一种基于卷积神经网络的渐进式业务流量分类方法，其特征在于，包括以下步骤：步骤1，对采集的网络数据引入动态时间窗口机制，并设置初始窗口大小，对窗口内的数据进行预处理，所述预处理包括数据标准化、提取特征和构建渐进式卷积神经网络的特征向量；步骤2，将步骤1构建的特征向量的维度与渐进式卷积神经网络的输入维度相匹配，如果不符合渐进式卷积神经网络输入的维度，通过零填充方式补充维度；同时将每个特征向量生成对应索引向量，以区分填充前的特征向量原始长度；步骤3，将构建的特征向量与对应的索引向量输入到渐进式卷积神经网络，所述渐进式卷积神经网络包含三个分类任务，分别是应用分类任务、流量带宽分类任务和流量持续时间任务；且渐进式卷积神经网络能够接受不同大小的时间窗口下生成的特征向量，同时采用一种多头输出选择机制：根据输入特征向量与索引向量动态调整输出层结构，将每个输出头都对应一种原始长度的特征向量，且每个输出头能同时输出三个分类任务的分类结果；步骤4，将渐进式卷积神经网络输出前未归一化的三个任务的高维特征向量α1,α2,α3,α4,α5,β1,β2,β3,β4,β5,γ1,γ2,γ3,γ4,γ5进行预处理，其中，α1表示带宽预测任务中第一类推理结果所得分数，β1表示持续时间预测任务中第一类推理结果所得分数，γ1表示应用分类任务中第一类结果所得分数，所述预处理包括，对每个高维特征向量分别乘上一个任务因子w1、w2和w3，即α1,α2,α3,α4,α5*w1，β1,β2,β3,β4,β5*w2，γ1,γ2,γ3,γ4,γ5*w3，其中任务因子表示三个分类任务的比重，如果三个分类任务等同重视，则都设置为1，最后再进行归一化处理，将向量中所有元素等同缩放到0，1范围内；步骤5，将步骤4预处理后的特征向量作为输入送到决策模块，所述决策模块对三个分类任务的结果进行置信度评估，计算置信度指数；如果置信度指数大于等于预设阈值，则确认结果为最终分类结果结束此条流的分类过程并终止数据包的收集，如果置信度指数低于预设阈值，则扩大时间窗口，继续收集数据包，重复步骤1～步骤3再次分类，直至置信度指数达到预设阈值或收集完整的数据流；步骤3中，所述渐进式卷积神经网络的层次结构包括：L1-1：输入层，接受两种类型的数据序列，两种数据序列尺寸分别为L1和L2，第一种是主输入，输入的是步骤1生成的特征向量，代表网络流的时间和空间特征；第二种是辅助输入，输入的是索引向量，指示输入卷积序列实际长度，即一条流的数据包使用数量；L1-2：共享卷积层，将输入的特征向量进行卷积操作；L1-201：第一卷积层，包含32个尺寸为5的一维卷积核，所有卷积核步长均为1，并使用ReLU函数进行激活；L1-202：第一最大池化层，对第一卷积层的输出特征向量应用2×1的最大池化操作，进行空间下采样；L1-203：第二卷积层，包含64个尺寸为4的一维卷积核，所有卷积核步长均为1，并使用ReLU函数进行激活，第二卷积层的输入将输入层的输入通过1×1卷积调整尺度后添加到第二卷积层的输出，形成残差连接；L1-204：第二最大池化层，对第二卷积层的输出特征向量应用2×1的最大池化操作，进行空间下采样；L1-205：第三卷积层，包含128个尺寸为3的一维卷积核，所有卷积核步长均为1，并使用ReLU函数进行激活；第三卷积层的输入将第一卷积层的输出通过1×1卷积调整尺度后添加到此层的输出，形成残差连接；L1-206：第三最大池化层，对第二卷积层的输出特征向量应用2×1的最大池化操作，进行空间下采样；L1-3：全连接层，对第三最大池化层的输出通过256个单元的全连接层，并使用ReLU函数进行激活；L1-4：Lambda层，将索引向量输入到Lambda层进行条件判断，根据输入的特征向量实际长度选择需要被激活的输出分支；L1-5：分支输出层，分支输出层包含M个分支输出，每个分支包含三个相互独立的分类任务的输出，将全连接层的输出选择通过其中一个分支的全连接层，将特征向量映射到3个5维类别输出向量，每个分支中全连接层的权重和偏置相互独立，三个分类任务及其类别定义为：{应用类型：0表示应用A，1表示应用B，2表示应用C，3表示应用D，4表示应用E},{流量带宽：0表示带宽A，1表示带宽B，2表示带宽C，3表示带宽D，4表示带宽E}，{持续时间：0表示时间A，1表示时间B，2表示时间C，3表示时间D，4表示时间E}；L1-6：Softmax层，对分支输出层的输出向量进行Softmax归一化，得到3个5维概率分布向量，每个输出向量中的元素对应一个内容类型的后验概率。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种基于卷积神经网络的渐进式业务流量分类方法和装置