-
公开(公告)号：CN109361617B
公开(公告)日：2022-09-27
申请号：CN201811122301.6
申请日：2018-09-26
Applicant: 中国科学院计算机网络信息中心
IPC: H04L47/2441 , G06N3/08 , G06N3/04 , G06K9/62
Abstract: 本发明涉及一种基于网络包载荷的卷积神经网络流量分类方法及系统，其中，方法包括以下步骤：将网络抓包所得pcap文件中所有的数据包传输层的去除头部后的载荷数据提出取来，将数据包的载荷的信息转换为字节序列，随机打乱数据顺序并且进行训练集、验证集和测试集的分割；将结构化的数据输入一维卷积神经网络进行训练，完成神经网络隐藏单元的权重参数调整；在验证集和测试集上进行性能验证，若达不到性能指标，则反馈给模型训练模块继续调整模型参数。本发明可以免除繁琐的人工标注工作，只需要流量数据包的载荷数据即可完成高精度分类。用户只需将模型部署到合适的位置，即可随时随机的截取链路中的数据包输入模型即可得到流量类别结果。
-
公开(公告)号：CN113992542B
公开(公告)日：2023-05-12
申请号：CN202111216359.9
申请日：2021-10-19
Applicant: 中国科学院计算机网络信息中心
IPC: H04L43/0876 , H04L41/14 , H04L41/147 , G06N3/0442 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于新增流数目特征的在线网络流量预测方法及系统，通过对网络真实流量数据进行采集和解析，并传输到消息队列中，以流入到流处理引擎中，在线计算得出实时流量时间序列和本发明提出的新增流数目特征序列，即每时间粒度内新增网络流的数目。再将这两种序列同时放入多特征输入和多时间步输出的网络流量预测模型中进行流量预测。本发明可保障流量预测的实时性，即预测的流量序列的时间长度大于采集时间、流处理时间、预测时间总和，并可以及时反馈到网络流量控制器中，便于网络控制器调控网络流量和进行负载均衡决策；所得到的预测结果较仅输入流量序列的LSTM模型平均误差减少20％以上，更好的预测出真实流量的突发上升、下降和峰值状况。
-
公开(公告)号：CN109361617A
公开(公告)日：2019-02-19
申请号：CN201811122301.6
申请日：2018-09-26
Applicant: 中国科学院计算机网络信息中心
IPC: H04L12/851 , G06N3/08 , G06N3/04 , G06K9/62
Abstract: 本发明涉及一种基于网络包载荷的卷积神经网络流量分类方法及系统，其中，方法包括以下步骤：将网络抓包所得pcap文件中所有的数据包传输层的去除头部后的载荷数据提出取来，将数据包的载荷的信息转换为字节序列，随机打乱数据顺序并且进行训练集、验证集和测试集的分割；将结构化的数据输入一维卷积神经网络进行训练，完成神经网络隐藏单元的权重参数调整；在验证集和测试集上进行性能验证，若达不到性能指标，则反馈给模型训练模块继续调整模型参数。本发明可以免除繁琐的人工标注工作，只需要流量数据包的载荷数据即可完成高精度分类。用户只需将模型部署到合适的位置，即可随时随机的截取链路中的数据包输入模型即可得到流量类别结果。
-
公开(公告)号：CN114219024B
公开(公告)日：2025-05-13
申请号：CN202111526247.3
申请日：2021-12-14
Applicant: 中国科学院计算机网络信息中心
IPC: G06F18/21 , G06F18/2431 , G06F18/214 , G06F18/22 , G06N3/0455 , G06N3/0499 , G06N3/096 , G06N3/088 , H04L41/147
Abstract: 本发明公开了一种网络边缘的应用级流量预测与模型迁移方法，包括：确定模型迁移域，使用基于应用流量统计特征的无监督聚类算法完成边缘节点的聚类；选择迁移模型，迁移模型为在迁移域内选出被迁移到各个边缘计算节点的普适模型；根据应用聚类算法将各个边缘计算节点下的多种网络应用的流量序列在时间和形状分布上的相似性进行归类；对各个边缘节点下的多个网络应用进行归类后，得到N个类别，每个类别训练自己的多应用流量预测模型，产生N个多应用流量预测模型，将这些模型保存，等待边缘节点调用；当N个多应用流量预测模型训练完成后，被边缘计算节点回调；在迁移域内，N个多应用流量预测模型分别迁移到多个域内的所有节点上进行部署与应用。
-
Patent Agency Ranking
公开(公告)号：CN113992542A
公开(公告)日：2022-01-28
申请号：CN202111216359.9
申请日：2021-10-19
Applicant: 中国科学院计算机网络信息中心
IPC: H04L43/0876 , H04L41/14 , H04L41/147 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于新增流数目特征的在线网络流量预测方法及系统，通过对网络真实流量数据进行采集和解析，并传输到消息队列中，以流入到流处理引擎中，在线计算得出实时流量时间序列和本发明提出的新增流数目特征序列，即每时间粒度内新增网络流的数目。再将这两种序列同时放入多特征输入和多时间步输出的网络流量预测模型中进行流量预测。本发明可保障流量预测的实时性，即预测的流量序列的时间长度大于采集时间、流处理时间、预测时间总和，并可以及时反馈到网络流量控制器中，便于网络控制器调控网络流量和进行负载均衡决策；所得到的预测结果较仅输入流量序列的LSTM模型平均误差减少20％以上，更好的预测出真实流量的突发上升、下降和峰值状况。
-
公开(公告)号：CN110312230A
公开(公告)日：2019-10-08
申请号：CN201910611582.X
申请日：2019-07-08
Applicant: 中国科学院计算机网络信息中心
Abstract: 本发明公开了一种列车系统的通信方法、装置和列车系统。其中，该方法包括：服务器用于为接入网设备提供本地服务，运行参数为进入到接入网设备的网络环境中的所有列车的运行参数；服务器基于运行参数、接收运行参数的时刻，确定每辆列车的交通信息，并将交通信息发送至所有列车和/或管控中心。本发明解决了相关技术中列车的LTE网络传输路径长、延迟高，导致列车之间难以实时共享位置信息、预判危险的技术问题。
-
公开(公告)号：CN115987601A
公开(公告)日：2023-04-18
申请号：CN202211625696.8
申请日：2022-12-16
Applicant: 中国科学院计算机网络信息中心
IPC: H04L9/40 , G06F18/23 , G06F18/214 , G06N3/08
Abstract: 本发明公开了一种基于软边缘三元组损失函数的孪生网络未知流量识别方法，包括：构建孪生网络训练需求的三元组数据集合，采用随机构建的方式，通过多轮迭代，形成多种组合的三元组训练数据集；在模型训练阶段，软边界三元组损失函数指导模型训练，训练完成后的孪生网络单独作为编码器；使用编码器将被测试样本与所有已知流量数据样本编码；计算被测试样本与已知流量应用的距离，通过与预设阈值比较判定其是否属于未知样本；将判定为未知流量的样本通过相似度聚类，形成纯度更高的堆簇；根据簇纯度决定最佳分簇数量，最终进行细粒度分析。本发明解决了传统无监督聚类方案与深度学习方案在未知流量识别领域的聚类数量不明确、维护模型过多等问题。
-
公开(公告)号：CN110312230B
公开(公告)日：2023-01-24
申请号：CN201910611582.X
申请日：2019-07-08
Applicant: 中国科学院计算机网络信息中心
Abstract: 本发明公开了一种列车系统的通信方法、装置和列车系统。其中，该方法包括：服务器用于为接入网设备提供本地服务，运行参数为进入到接入网设备的网络环境中的所有列车的运行参数；服务器基于运行参数、接收运行参数的时刻，确定每辆列车的交通信息，并将交通信息发送至所有列车和/或管控中心。本发明解决了相关技术中列车的LTE网络传输路径长、延迟高，导致列车之间难以实时共享位置信息、预判危险的技术问题。
-
公开(公告)号：CN114219024A
公开(公告)日：2022-03-22
申请号：CN202111526247.3
申请日：2021-12-14
Applicant: 中国科学院计算机网络信息中心
IPC: G06K9/62 , G06N3/04 , G06N3/08 , H04L41/147
Abstract: 本发明公开了一种网络边缘的应用级流量预测与模型迁移方法，包括：确定模型迁移域，使用基于应用流量统计特征的无监督聚类算法完成边缘节点的聚类；选择迁移模型，迁移模型为在迁移域内选出被迁移到各个边缘计算节点的普适模型；根据应用聚类算法将各个边缘计算节点下的多种网络应用的流量序列在时间和形状分布上的相似性进行归类；对各个边缘节点下的多个网络应用进行归类后，得到N个类别，每个类别训练自己的多应用流量预测模型，产生N个多应用流量预测模型，将这些模型保存，等待边缘节点调用；当N个多应用流量预测模型训练完成后，被边缘计算节点回调；在迁移域内，N个多应用流量预测模型分别迁移到多个域内的所有节点上进行部署与应用。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.05 seconds)
