申请/专利权人:东南大学
申请日:2020-09-23
公开(公告)日:2021-01-05
公开(公告)号:CN112187664A
主分类号:H04L12/851(20130101)
分类号:H04L12/851(20130101);H04L29/06(20060101);G06K9/62(20060101)
优先权:
专利状态码:有效-授权
法律状态:2023.04.18#授权;2021.01.22#实质审查的生效;2021.01.05#公开
摘要:本发明公开了一种基于半监督学习的应用流自动分类方法,该方法从网络流量数据中提取有效特征,包括非比例特征和比例特征;使用自底向上的层次聚类算法实现对网络流量的多层次自动分类,在每一层次的聚类中计算非比例特征的余弦相似度和比例特征的欧氏距离,将结果中满足阈值条件的流聚合为一类,调整分类阈值逐层聚类直到将所有原始流量最终聚合为一类;确定聚类结果中能够将典型流量类型区分开来且将同一类流量聚合为一类的流量类型层,根据已有标签的典型流量信息为流量类型层中的各类流量打上流量类型标签。本发明可自动区分网络流量的流量类型,可用于网络管理和网络安全监测。
主权项:1.一种基于半监督学习的网络应用流量自动分类方法,其特征在于,包括如下步骤:1采集网络流量数据,包括主干网中未知流量类型的流量以及应用中已知流量类型的流量数据;2基于采集的网络流量数据,提取76种数据流特征建立特征库;3结合余弦相似度与欧氏距离,针对步骤2中建立的特征库使用层次聚类算法实现对网络流量的聚类并输出分类结果;4分析步骤3输出的各应用流量的聚类结果,确定将典型的流量类型区分开来的聚类层次,将这一聚类层次作为流量类型层;5为流量类型层中每一类的流量打上流量类型标签。
全文数据:
权利要求:
百度查询: 东南大学 一种基于半监督学习的应用流自动分类方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。