识别流量类型的方法、训练方法、装置、系统及存储介质与流程

1.本技术涉及通信领域，特别涉及一种识别流量类型的方法、训练方法、装置、系统及存储介质。


背景技术：

2.网络流量的流量类型可以包括视频类型、下载类型、游戏类型或网页类型等，可以反应该网络流量的应用，该流量类型可用于管理该网络流量或者用于训练智能模型。所以目前急需要获取网络流量的流量类型。
3.目前有如下两种方式获取网络流量的流量类型，该两种方式分别为：
4.第一、网络设备接收网络流量包括的报文，从该报文的净荷中提取内容，提取的内容包括统一资源定位符(uniform resource locator，url)和/或状态码等，基于提取的内容获取该网络流量的流量类型。
5.第二、终端向服务器发送域名系统(domain name system，dns)请求，该dns请求用于向服务器请求网络流量。网络设备接收该dns请求并向服务器发送该dns请求，网络设备还从该dns请求中获取dns请求内容，基于该dns请求内容获取网络流量的流量类型。
6.发明人在实现本技术的过程中，发现上述方式至少存在如下缺陷：
7.对于上述第一种方式，网络流量的内容可能被加密，即网络流量包括的报文的净荷是密文，这样网络设备无法从该净荷中提取内容，进而无法获取网络流量的流量类型。
8.对于上述第二种方式，并不是所有的网络流量都需要终端向服务器发送dns请求，这样在终端不发送dns请求来请求网络流量的情况，也无法获取网络流量的流量类型。


技术实现要素：

9.本技术提供了一种识别流量类型的方法、训练方法、装置、系统及存储介质，以保证能够成功识别网络流量的流量类型。所述技术方案如下：
10.第一方面，本技术提供了一种识别流量类型的方法，在所述方法中：获取第一流量的流量状态特征集，该流量状态特征集包括第一流量在多个时间段内的多个流量状态特征；基于该流量状态特征集，识别第一流量的流量类型。其中，第一流量在每个时间段内的流量状态特征用于反映与第一流量的流量内容无关的外在特点，所以流量状态特征不需要基于第一流量的流量内容得到，即不需要基于第一流量包括的报文净荷获取流量状态特征，或者，不需要基于dns请求中的内容获取流量状态特征，该dns请求用于请求第一流量。如此，即使第一流量被加密或者在没有使用dns请求来请求第一流量的情况下，也能够成功获取第一流量的流量状态特征集，基于该流量状态特征集能够成功识别第一流量的流量类型。另外，上述识别流量类型的过程是全自动化的过程，不需要人工干预，从而提高了识别流量类型的效率和灵活性。
11.在一种可能的实现方式中，该多个时间段包括第一时间段，第一时间段内的流量状态特征用于描述第一流量在第一时间段内的状态特征。其中，流量状态特征用于描述第
一流量的状态特征，使得第一流量的流量状态特征用于反映与第一流量的流量内容无关的外在特点，从而使得流量状态特征不需要基于第一流量的流量内容得到，这样即使第一流量被加密或者在没有使用dns请求来请求第一流量的情况下，也能够成功识别第一流量的流量类型。
12.在另一种可能的实现方式中，第一流量在第一时间段内的状态特征包括第一流量在第一时间段内的数据量特征，和/或，第一流量在第一时间段内的分布统计特征。由于第一流量在第一时间段内的流量状态特征包括数据量特征和/或分布统计特征，数据量特征用于反映第一流量在第一时间段内的外在数据变化特点，分布统计特征用于反映第一流量在第一时间段内的外在数据分布特点，所以数据量特征和/或数据分布特征均不需要基于第一流量的流量内容即可得到，从而保证不需要依赖第一流量的流量内容就可识别第一流量的流量类型。
13.在另一种可能的实现方式中，第一流量在所述第一时间段内的状态特征包括第一流量在第一时间段内的数据量特征，第一流量在第一时间段内的数据量特征包括以下至少一项：数据标识、报文数量和报文长度，报文数量用于统计第一时间段内属于第一流量的多个报文的数量，报文长度用于统计第一时间段内属于第一流量的多个报文的报文长度，该数据标识用于描述该报文数量和/或该报文长度存在的关系。其中，报文数量、报文长度只需要对在第一时间段内的第一流量进行统计得到，数据标识用于描述该报文数量和/或该报文长度存在的关系，只需要对报文数量和/或报文长度进行分析得到。因此，数据量特征只需要对在第一时间段内的第一流量进行统计得到，不需要依赖第一流量的流量内容，保证了能够成功识别第一流量的流量类型。
14.在另一种可能的实现方式中，报文数量包括上行报文数量和/或下行报文数量，上行报文数量用于统计第一时间段内属于第一流量的上行报文的数量，下行报文数量用于统计第一时间段内属于第一流量的下行报文的数量。报文长度包括上行报文长度和/或下行报文长度，上行报文长度用于统计第一时间段内属于第一流量的上行报文的长度之和，下行报文长度用于统计第一时间段内属于第一流量的下行报文的长度之和。其中，第一时间段内的数据标识用于描述该上行报文数量与该下行报文数量之间的关系，和/或，描述该上行报文长度与该下行报文长度之间的关系。所以获取到该上行报文数量和/或下行报文数量，以及获取该上行报文长度和/或该下行报文长度，就可以基于该该上行报文数量、下行报文数量，上行报文长度和/或下行报文长度，获取第一时间段内的数据标识。也就是说数据标识不依赖于第一流量的流量内容，以保证能够成功识别第一流量的流量类型。
15.在另一种可能的实现方式中，基于第一流量的流量状态特征集和第一对应关系，识别流量的流量类型为第一流量类型，第一对应关系包括第一标准流量状态特征集和第一流量类型的对应关系。由于第一对应关系包括第一标准流量状态特征集和第一流量类型的对应关系，所以在得到第一流量的流量状态特征集时，基于该流量状态特征集和第一对应关系，便可以准确地识别第一流量的流量类型。
16.在另一种可能的实现方式中，第一流量类型包括视频类型、音频类型、下载类型、游戏类型、点对点p2p(point-to-point)类型、社交媒体类型或网页类型。
17.在另一种可能的实现方式中，确定与第一流量的流量状态特征集匹配的第一标准流量状态特征集。
18.在另一种可能的实现方式中，根据第一流量的流量状态特征集与第一对应关系中的每个标准流量状态特征集之间的相似度确定第一标准流量状态特征集。由于第一标准流量状态特征集是第一流量的流量状态特征集与第一对应关系中的每个流量状态特征集之间的相似度确定，而第一流量的流量类型为第一标准流量状态特征集对应的流量类型，从而可以提高识别流量类型的准确度。
19.在另一种可能的实现方式中，由于第一流量的流量状态特征集与第一标准流量状态特征集的第一相似度满足以下指定条件：第一相似度大于或等于第一相似度阈值，或第一相似度大于或等于第一流量的流量状态特征集与第二标准流量状态特征集中的每个标准流量状态特征集之间的相似度，第二标准流量状态特征集包括第一对应关系中除第一标准流量状态特征集以外的每个标准流量状态特征集，从而可以提高识别流量类型的准确度。
20.在另一种可能的实现方式中，根据第一流量的流量状态特征集与第一对应关系中的每个标准流量状态特征集之间的距离值确定第一标准流量状态特征集。由于第一标准流量状态特征集是第一流量的流量状态特征集与第一对应关系中的每个流量状态特征集之间的距离值确定，而第一流量的流量类型为第一标准流量状态特征集对应的流量类型，从而可以提高识别流量类型的准确度。
21.在另一种可能的实现方式中，由于第一流量的流量状态特征集与第一标准流量状态特征集的第一距离值满足以下指定条件：第一距离值小于或等于第一距离阈值，或第一距离值小于或等于第一流量的流量状态特征集与第二标准流量状态特征集中的每个标准流量状态特征集之间的距离值，第二标准流量状态特征集包括第一对应关系中除第一标准流量特征集以外的每个标准流量状态特征集，从而可以提高识别流量类型的准确度。
22.在另一种可能的实现方式中，在第一流量的流量状态特征集与第一标准流量状态特征集之间的第一相似度大于或等于第二相似度阈值时，将第一流量的流量状态特征集和第一流量类型的对应关系保存在第一对应关系中。这样可以通过自学习方式不断丰富第一对应关系的内容，使得之后使用第一对应关系识别流量类型时，增加识别流量类型的成功率和准确度。
23.在另一种可能的实现方式中，在第一流量的流量状态特征集与第一标准流量状态特征集之间的第一相似度大于或等于第二相似度阈值时，对于第一对应关系中的包括第一标准流量状态特征集和第一流量类型的记录，将该记录包括的第一标准流量状态特征集更新为第一流量的流量状态特征集。这样可以通过自学习方式不断完善第一对应关系的内容，使得之后使用第一对应关系识别流量类型时，增加识别流量类型的准确度。
24.在另一种可能的实现方式中，在第一流量的流量状态特征集与第一标准流量状态特征集之间的第一距离值小于或等于第二距离阈值时，将第一流量的流量状态特征集和第一流量类型的对应关系保存在第一对应关系中。这样可以通过自学习方式不断丰富第一对应关系的内容，使得之后使用第一对应关系识别流量类型时，增加识别流量类型的成功率和准确度。
25.在另一种可能的实现方式中，在第一流量的流量状态特征集与第一标准流量状态特征集之间的第一距离值小于或等于第二距离阈值时，对于第一对应关系中的包括第一标准流量状态特征集和第一流量类型的记录，将该记录包括的第一标准流量状态特征集更新
为第一流量的流量状态特征集。这样可以通过自学习方式不断完善第一对应关系的内容，使得之后使用第一对应关系识别流量类型时，增加识别流量类型的准确度。
26.在另一种可能的实现方式中，基于第一流量的流量状态特征集和流量类型识别模型，识别第一流量的流量类型。由于流量类型识别模型具有识别流量类型的功能，所以在得到第一流量的流量状态特征集时，基于该流量状态特征集和类型识别模型，便可以准确地识别第一流量的流量类型。
27.在另一种可能的实现方式中，基于多个训练样本，得到流量类型识别模型，每个训练样本包括一个网络流量的标准流量状态特征集和网络流量的流量类型，从而基于该多个训练样本可以训练出用于识别流量类型的流量类型识别模型。
28.在另一种可能的实现方式中，向控制管理设备发送第一流量的流量类型和/或第一流量的流量状态特征集，这样控制管理设备可以应用该流量类型，例如使用该流量类型管理第一流量或进行智能模型训练等应用。
29.在另一种可能的实现方式中，获取第一时间段内属于第一流量的每个报文的属性信息，每个报文的属性信息包括以下至少一项：流量标识、接收时间、上行报文指示信息、下行报文指示信息和报文长度；基于每个报文的属性信息获取第一时间段内的流量状态特征。如此，该网络设备只需要获取第一流量中的每个报文的属性信息，这样不需要依赖第一流量的流量内容来识别第一流量的流量类型。
30.第二方面，本技术提供了一种流量类型识别模型的训练方法，在所述方法中：获取多个训练样本，每个训练样本包括第一流量的流量状态特征集和第一流量的流量类型，该流量状态特征集包括第一流量在多个时间段内的多个流量状态特征。基于该多个训练样本进行模型训练，获得流量类型识别模型。由于通过该多个训练样本训练出的流量类型识别模型具有识别流量类型的功能，所以在接收到网络流量后，获取该网络流量的流量状态特征集，基于该流量状态特征集和类型识别模型，便可以准确并自动地识别该网络流量的流量类型。另外，训练样本包括第一流量的流量状态特征集，该流量状态特征集用于反映与第一流量的流量内容无关的外在特点，所以对于训练出来的流量类型识别模型，在使用该流量类型识别模型识别网络流量的流量类型时不需要使用网络流量的流量内容。如此，即使需要识别的网络流量被加密或者在没有使用dns请求来请求该网络流量的情况下，使用该流量类型识别模型也能够成功识别流量类型。
31.在一种可能的实现方式中，该多个时间段包括第一时间段，第一时间段内的流量状态特征用于描述第一流量在第一时间段内的状态特征。其中，流量状态特征用于描述第一流量的状态特征，使得第一流量的流量状态特征用于反映与第一流量的流量内容无关的外在特点，从而使得流量状态特征不需要基于第一流量的流量内容得到，这样即使第一流量被加密或者在没有使用dns请求来请求第一流量的情况下，也能够成功识别第一流量的流量类型。
32.在另一种可能的实现方式中，第一流量在第一时间段内的状态特征包括第一流量在第一时间段内的数据量特征，和/或，第一流量在第一时间段内的分布统计特征。由于第一流量在第一时间段内的流量状态特征包括数据量特征和/或分布统计特征，数据量特征用于反映第一流量在第一时间段内的外在数据变化特点，分布统计特征用于反映第一流量在第一时间段内的外在数据分布特点，所以数据量特征和/或数据分布特征均不需要基于
第一流量的流量内容即可得到，从而保证不需要依赖第一流量的流量内容就可识别第一流量的流量类型。
33.在另一种可能的实现方式中，第一流量在所述第一时间段内的状态特征包括第一流量在第一时间段内的数据量特征，第一流量在第一时间段内的数据量特征包括以下至少一项：数据标识、报文数量和报文长度，报文数量用于统计第一时间段内属于第一流量的多个报文的数量，报文长度用于统计第一时间段内属于第一流量的多个报文的报文长度，该数据标识用于描述该报文数量和/或该报文长度存在的关系。其中，报文数量、报文长度只需要对在第一时间段内的第一流量进行统计得到，数据标识用于描述该报文数量和/或该报文长度存在的关系，只需要对报文数量和/或报文长度进行分析得到。因此，数据量特征只需要对在第一时间段内的第一流量进行统计得到，不需要依赖第一流量的流量内容，保证了能够成功识别第一流量的流量类型。
34.在另一种可能的实现方式中，报文数量包括上行报文数量和/或下行报文数量，上行报文数量用于统计第一时间段内属于第一流量的上行报文的数量，下行报文数量用于统计第一时间段内属于第一流量的下行报文的数量。报文长度包括上行报文长度和/或下行报文长度，上行报文长度用于统计第一时间段内属于第一流量的上行报文的长度之和，下行报文长度用于统计第一时间段内属于第一流量的下行报文的长度之和。其中，第一时间段内的数据标识用于描述该上行报文数量与该下行报文数量之间的关系，和/或，描述该上行报文长度与该下行报文长度之间的关系。所以获取到该上行报文数量和/或下行报文数量，以及获取该上行报文长度和/或该下行报文长度，就可以基于该该上行报文数量、下行报文数量，上行报文长度和/或下行报文长度，获取第一时间段内的数据标识。
35.第三方面，本技术提供了一种识别流量类型的装置，用于执行第一方面或第一方面的任意一种可能的实现方式中的方法。具体地，所述装置包括用于执行第一方面或第一方面的任意一种可能的实现方式中的方法的单元。
36.第四方面，本技术提供了一种流量类型识别模型的训练装置，用于执行第二方面或第二方面的任意一种可能的实现方式中的方法。具体地，所述装置包括用于执行第二方面或第二方面的任意一种可能的实现方式中的方法的单元。
37.第五方面，本技术提供了一种识别流量类型的设备，所述设备包括处理器及计算机程序，所述处理器用于执行所述存储器中的计算机程序，使得所述设备完成第一方面或第一方面的任意可能的实现方式中的方法。
38.第六方面，本技术提供了一种流量类型识别模型的训练设备，所述设备包括处理器及计算机程序，所述处理器用于执行所述存储器中的计算机程序，使得所述设备完成第二方面或第二方面的任意可能的实现方式中的方法。
39.第七方面，本技术提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，并且所述计算程序通过计算机进行加载来实现上述第一方面、第二方面、第一方面任意可能的实现方式或第二方面任意可能的实现方式的方法。
40.第八方面，本技术提供了一种计算机可读存储介质，用于存储计算机程序，所述计算机程序通过处理器进行加载来执行上述第一方面、第二方面、第一方面任意可能的实现方式或第二方面任意可能的实现方式的方法。
41.第九方面，本技术提供了一种芯片，包括存储器和处理器，存储器用于存储计算机
指令，处理器用于从存储器中调用并运行该计算机指令，以执行上述第一方面、第二方面、第一方面任意可能的实现方式或第二方面任意可能的实现方式的方法。
42.第十方面，本技术提供了一种识别流量类型的系统，在所述系统中：流量状态特征获取模块，用于获取第一流量的流量状态特征集，流量状态特征集包括第一流量在多个时间段内的多个流量状态特征。流量类型识别模块，用于基于该流量状态特征集，识别第一流量的流量类型。其中，第一流量在每个时间段内的流量状态特征用于反映与第一流量的流量内容无关的外在特点，所以流量状态特征不需要基于第一流量的流量内容得到，即不需要基于第一流量包括的报文净荷获取流量状态特征，或者，不需要基于dns请求中的内容获取流量状态特征，该dns请求用于请求第一流量。如此，即使第一流量被加密或者在没有使用dns请求来请求第一流量的情况下，也能够成功获取第一流量的流量状态特征集，基于该流量状态特征能够成功识别第一流量的流量类型。另外，上述识别流量类型的过程是全自动化的过程，不需要人工干预，从而提高了识别流量类型的效率和灵活性。
43.在一种可能的实现方式中，该多个时间段包括第一时间段，第一时间段内的流量状态特征用于描述第一流量在第一时间段内的状态特征。其中，流量状态特征用于描述第一流量的状态特征，使得第一流量的流量状态特征用于反映与第一流量的流量内容无关的外在特点，从而使得流量状态特征不需要基于第一流量的流量内容得到，这样即使第一流量被加密或者在没有使用dns请求来请求第一流量的情况下，也能够成功识别第一流量的流量类型。
44.在另一种可能的实现方式中，第一流量在第一时间段内的状态特征包括第一流量在第一时间段内的数据量特征，和/或，第一流量在第一时间段内的分布统计特征。由于第一流量在第一时间段内的流量状态特征包括数据量特征和/或分布统计特征，数据量特征用于反映第一流量在第一时间段内的外在数据变化特点，分布统计特征用于反映第一流量在第一时间段内的外在数据分布特点，所以数据量特征和/或数据分布特征均不需要基于第一流量的流量内容即可得到，从而保证不需要依赖第一流量的流量内容就可识别第一流量的流量类型。
45.在另一种可能的实现方式中，第一流量在第一时间段内的状态特征包括第一流量在第一时间段内的数据量特征，第一流量在第一时间段内的数据量特征包括以下至少一项：数据标识、报文数量和报文长度，该报文数量用于统计第一时间段内属于第一流量的多个报文的数量，该报文长度用于统计第一时间段内属于第一流量的多个报文的报文长度，该数据标识用于指示该报文数量和/或该报文长度存在的关系。其中，报文数量、报文长度只需要对在第一时间段内的第一流量进行统计得到，数据标识用于描述该报文数量和/或该报文长度存在的关系，只需要对报文数量和/或报文长度进行分析得到。因此，数据量特征只需要对在第一时间段内的第一流量进行统计得到，不需要依赖第一流量的流量内容，保证了能够成功识别第一流量的流量类型。
46.在另一种可能的实现方式中，该报文数量包括上行报文数量和/或下行报文数量，该上行报文数量用于统计第一时间段内属于第一流量的上行报文的数量，该下行报文数量用于统计第一时间段内属于第一流量的下行报文的数量。该报文长度包括上行报文长度和/或下行报文长度，该上行报文长度用于统计第一时间段内属于第一流量的上行报文的长度之和，该下行报文长度用于统计第一时间段内属于第一流量的下行报文的长度之和。
其中，第一时间段内的数据标识用于描述该上行报文数量与该下行报文数量之间的关系，和/或，描述该上行报文长度与该下行报文长度之间的关系。所以获取到该上行报文数量和/或下行报文数量，以及获取该上行报文长度和/或该下行报文长度，就可以基于该该上行报文数量、下行报文数量，上行报文长度和/或下行报文长度，获取第一时间段内的数据标识。
47.在另一种可能的实现方式中，流量类型识别模块，用于基于第一流量的流量状态特征集和第一对应关系，识别第一流量的类型为第一流量类型，第一对应关系包括第一标准流量状态特征集和第一流量类型的对应关系。由于第一对应关系包括第一标准流量状态特征集和第一流量类型的对应关系，所以在得到第一流量的流量状态特征集时，基于该流量状态特征集和第一对应关系，便可以准确地识别第一流量的流量类型。
48.在另一种可能的实现方式中，流量类型识别模块，用于确定与第一流量的流量状态特征集匹配的第一标准流量状态特征集。
49.在另一种可能的实现方式中，流量类型识别模块，用于根据第一流量的流量状态特征集与第一对应关系中的每个标准流量状态特征集之间的相似度确定第一标准流量状态特征集。由于第一标准流量状态特征集是第一流量的流量状态特征集与第一对应关系中的每个流量状态特征集之间的相似度确定，而第一流量的流量类型为第一标准流量状态特征集对应的流量类型，从而可以提高识别流量类型的准确度。
50.在另一种可能的实现方式中，由于第一流量的流量状态特征集与第一标准流量状态特征集的第一相似度满足以下指定条件：第一相似度大于或等于第一相似度阈值，或第一相似度大于或等于第一流量的流量状态特征集与第二标准流量状态特征集中的每个标准流量状态特征集之间的相似度，第二标准流量状态特征集包括第一对应关系中除第一标准流量状态特征集以外的每个标准流量状态特征集，从而可以提高识别流量类型的准确度。
51.在另一种可能的实现方式中，流量类型识别模块，用于根据第一流量的流量状态特征集与所述第一对应关系中的每个标准流量状态特征集之间的距离值确定第一标准流量状态特征集。由于第一标准流量状态特征集是第一流量的流量状态特征集与第一对应关系中的每个流量状态特征集之间的距离值确定，而第一流量的流量类型为第一标准流量状态特征集对应的流量类型，从而可以提高识别流量类型的准确度。
52.在另一种可能的实现方式中，由于第一流量的流量状态特征集与第一标准流量状态特征集的第一距离值满足以下指定条件：第一距离值小于或等于第一距离阈值，或第一距离值小于或等于第一流量的流量状态特征集与第二标准流量状态特征集中的每个标准流量状态特征集之间的距离值，第二标准流量状态特征集包括第一对应关系中除第一标准流量特征集以外的每个标准流量状态特征集，从而可以提高识别流量类型的准确度。
53.在另一种可能的实现方式中，所述系统还包括：第一保存模块，用于在第一流量的流量状态特征集与第一标准流量状态特征集之间的第一相似度大于或等于第二相似度阈值时，将第一流量的流量状态特征集和第一流量类型的对应关系保存在第一对应关系中。这样可以通过自学习方式不断丰富第一对应关系的内容，使得之后使用第一对应关系识别流量类型时，增加识别流量类型的成功率和准确度。
54.在另一种可能的实现方式中，所述系统还包括：第二保存模块，用于在第一流量的
流量状态特征集与第一标准流量状态特征集之间的第一距离值小于或等于第二距离阈值时，将第一流量的流量状态特征集和第一流量类型的对应关系保存在第一对应关系中。这样可以通过自学习方式不断丰富第一对应关系的内容，使得之后使用第一对应关系识别流量类型时，增加识别流量类型的成功率和准确度。
55.在另一种可能的实现方式中，流量类型识别模块，用于基于第一流量的流量状态特征集和流量类型识别模型，识别第一流量的流量类型。由于流量类型识别模型具有识别流量类型的功能，所以在得到第一流量的流量状态特征集时，基于该流量状态特征集和类型识别模型，便可以准确地识别第一流量的流量类型。
56.在另一种可能的实现方式中，所述系统还包括：训练模块，用于基于多个训练样本，得到流量类型识别模型，每个训练样本包括一个网络流量的标准流量状态特征集和网络流量的流量类型。从而基于该多个训练样本可以训练出用于识别流量类型的流量类型识别模型。
57.在另一种可能的实现方式中，所述系统还包括：发送模块，用于向控制管理设备发送第一流量的流量类型和/或第一流量的流量状态特征集。这样控制管理设备可以应用该流量类型，例如使用该流量类型管理第一流量或进行智能模型训练等应用。
58.在另一种可能的实现方式中，流量状态特征获取模块，用于：获取第一时间段内属于第一流量的每个报文的属性信息，每个报文的属性信息包括以下至少一项：流量标识、接收时间、上行报文指示信息、下行报文指示信息和报文长度；基于每个报文的属性信息获取第一时间段内的流量状态特征。如此，该网络设备只需要获取第一流量中的每个报文的属性信息，这样不需要依赖第一流量的流量内容来识别第一流量的流量类型。
59.第十一方面，本技术提供了一种流量类型识别模型的训练系统，在所述系统中，训练样本获取模块，用于获取多个训练样本，每个训练样本包括第一流量的流量状态特征集和第一流量的流量类型，该流量状态特征集包括第一流量在多个时间段内的多个流量状态特征。训练模块，用于基于多个训练样本进行模型训练，获得流量类型识别模型。由于通过该多个训练样本训练出的流量类型识别模型具有识别流量类型的功能，所以在接收到第一流量后，获取第一流量的流量状态特征集，基于该流量状态特征集和类型识别模型，便可以准确并自动地识别第一流量的流量类型。
60.在一种可能的实现方式中，该多个时间段包括第一时间段，第一时间段内的流量状态特征用于描述第一流量在第一时间段内的状态特征。其中，流量状态特征用于描述第一流量的状态特征，使得第一流量的流量状态特征用于反映与第一流量的流量内容无关的外在特点，从而使得流量状态特征不需要基于第一流量的流量内容得到，这样即使第一流量被加密或者在没有使用dns请求来请求第一流量的情况下，也能够成功识别第一流量的流量类型。
61.在另一种可能的实现方式中，第一流量在第一时间段内的状态特征包括第一流量在第一时间段内的数据量特征，和/或，第一流量在第一时间段内的分布统计特征。由于第一流量在第一时间段内的流量状态特征包括数据量特征和/或分布统计特征，数据量特征用于反映第一流量在第一时间段内的外在数据变化特点，分布统计特征用于反映第一流量在第一时间段内的外在数据分布特点，所以数据量特征和/或数据分布特征均不需要基于第一流量的流量内容即可得到，从而保证不需要依赖第一流量的流量内容就可识别第一流
量的流量类型。
62.在另一种可能的实现方式中，第一流量在所述第一时间段内的状态特征包括第一流量在第一时间段内的数据量特征，第一流量在第一时间段内的数据量特征包括以下至少一项：数据标识、报文数量和报文长度，报文数量用于统计第一时间段内属于第一流量的多个报文的数量，报文长度用于统计第一时间段内属于第一流量的多个报文的报文长度，该数据标识用于描述该报文数量和/或该报文长度存在的关系。其中，报文数量、报文长度只需要对在第一时间段内的第一流量进行统计得到，数据标识用于描述该报文数量和/或该报文长度存在的关系，只需要对报文数量和/或报文长度进行分析得到。因此，数据量特征只需要对在第一时间段内的第一流量进行统计得到，不需要依赖第一流量的流量内容，保证了能够成功识别第一流量的流量类型。
63.在另一种可能的实现方式中，报文数量包括上行报文数量和/或下行报文数量，上行报文数量用于统计第一时间段内属于第一流量的上行报文的数量，下行报文数量用于统计第一时间段内属于第一流量的下行报文的数量。报文长度包括上行报文长度和/或下行报文长度，上行报文长度用于统计第一时间段内属于第一流量的上行报文的长度之和，下行报文长度用于统计第一时间段内属于第一流量的下行报文的长度之和。其中，第一时间段内的数据标识用于描述该上行报文数量与该下行报文数量之间的关系，和/或，描述该上行报文长度与该下行报文长度之间的关系。所以获取到该上行报文数量和/或下行报文数量，以及获取该上行报文长度和/或该下行报文长度，就可以基于该该上行报文数量、下行报文数量，上行报文长度和/或下行报文长度，获取第一时间段内的数据标识。
附图说明
64.图1是本技术实施例提供的一种网络架构示意图；
65.图2是本技术实施例提供的另一种网络架构示意图；
66.图3是本技术实施例提供的一种识别流量类型的方法流程图；
67.图4是本技术实施例提供的另一种网络架构示意图；
68.图5是本技术实施例提供的训练流量类型识别模型的模块框图；
69.图6是本技术实施例提供的另一种识别流量类型的方法流程图；
70.图7是本技术实施例提供的一种识别流量类型的装置结构示意图；
71.图8是本技术实施例提供的一种流量类型识别模型的训练装置结构示意图；
72.图9是本技术实施例提供的一种识别流量类型的系统结构示意图；
73.图10是本技术实施例提供的一种流量类型识别模型的训练系统结构示意图；
74.图11是本技术实施例提供的一种识别流量类型的设备结构示意图；
75.图12是本技术实施例提供的一种流量类型识别模型的训练设备结构示意图。
具体实施方式
76.下面将结合附图对本技术实施方式作进一步地详细描述。
77.网络流量的流量类型用于反映网络流量的应用领域。例如网络流量的流量类型可以包括视频类型、下载类型或游戏类型等。例如，网络流量的流量类型为视频类型，视频类型反映网络流量的应用领域为视频领域；或者，网络流量的流量类型为下载类型，下载类型
反映网络流量的应用领域为下载领域；或者，网络流量的流量类型为游戏类型，游戏类型反映网络流量的应用领域为游戏领域。
78.目前获取网络流量的流量类型的技术是：基于网络流量的内容获取网络流量的流量类型，例如，从网络流量包括的报文的净荷中提取内容，基于提取的内容获取网络流量的流量类型；或者，从用于请求该网络流量的dns请求中提取dns请求内容，基于该dns请求内容获取该网络流量的流量类型。
79.但该技术存在缺陷，导致在某些情况下无法获取到网络流量的流量类型。例如，网络流量可能被加密，导致该网络流量的流量内容是密文，此时无法基于该网络流量的内容获取网络流量的流量类型；或者，在用于请求网络流量的请求不是dns请求，导致无法获取到dns请求内容，此时也无法获取网络流量的流量类型。
80.为了解决上述问题，本技术可以通过如下任意实施例来获取网络流量的流量类型。
81.参见图1，本技术实施列提供了一种网络架构100，包括：
82.控制管理设备101和网络设备102，控制管理设备101与网络设备102通信。
83.在一些实施例中，控制管理设备101和网络设备102接入网络中，该网络包括局域网或广域网。也就是说，控制管理设备101在局域网内与网络设备102通信，或者，控制管理设备101可远程部署或云端部署。
84.在一些实施例中，控制管理设备101与网络设备102建立网络连接，以实现与网络设备通信。当然，还有其他实现控制管理设备101与网络设备102通信的方式，在此不再一一列举。
85.在一些实施例中，上述控制管理设备101包括控制器、网管设备、服务器、分析器和/或云平台等。上述网络设备102包括网络转发设备和/或核心控制网络设备等。网络转发设备可以包括网关、路由器和/或交换机等，核心控制网络设备包括光网络终端(optical network terminal，ont)和/或宽带接入服务器(broadband remote access server，bras)等。
86.网络设备102用于接收在网络中传输的报文，并转发该报文。网络设备102还基于该报文获取该报文的属性信息，该属性信息包括该报文属于的流量标识、该报文的接收时间、该报文的指示信息和/或报文长度等信息，该指示信息用于指示该报文是上行报文还是下行报文。
87.在一些实施例中，该指示信息为上行报文指示信息或下行报文指示信息。上行报文指示信息用于指示上行报文，下行报文指示信息用于指示下行报文。
88.在一些实施例中，该流量标识包括该报文的四元组信息或五元组信息。
89.四元组信息包括该报文的源地址、源端口号、目的地址和目的端口号。该五元组信息包括该报文的源地址、源端口号、目的地址、目的端口号和协议类型。
90.该报文的四元组信息或五元组信息位于该报文的报文头中，网络设备102从该报文的报文头中获取该报文的四元组信息或五元组信息。
91.一条网络流量通常包括至少一个报文，所以网络设备102能够接收属于该网络流量的至少一个报文，对该至少一个报文中的每个报文，基于每个报文分别获取每个报文的属性信息。
92.在获取完一条网络流量中的各报文的属性信息后，可以通过如下几种方式识别该网络流量的流量类型。该几种方式分别为：
93.第一方式，网络设备102在接收完该网络流量后，基于该网络流量包括的每个报文的属性信息，获取该网络流量的流量状态特征集，该流量状态特征集包括该网络流量在多个时间段内的多个流量状态特征，基于该流量状态特征集识别该网络流量的流量类型。该流量状态特征集反映了该网络流量在一定监测时间长度内的状态特征。
94.在一些实施例中，该多个时间段包括第一时间段，第一时间段内的流量状态特征用于描述第一流量在第一时间段内的状态特征。
95.在一些实施例中，第一时间段内的流量状态特征用于反映该网络流量在第一时间段内与该网络流量的流量内容无关的外在特征。
96.该网络流量在多个时间段内的多个流量状态特征包括该网络流量在每个时间段内的流量状态特征。
97.第一时间段内的流量状态特征包括该网络流量在第一时间段内的数据量特征，和/或，该网络流量在第一时间段内的分布统计特征。
98.第一时间段内的数据量特征用于反映该网络流量在第一时间段内的数据量变化特点。第一时间段内的数据量特征包括以下至少一项：数据标识、报文数量和报文长度。该数据标识用于描述该报文数量和/或该报文长度存在的关系，该报文数量用于统计第一时间段内属于该网络流量的多个报文的数量，即该报文数量是第一时间段内属于该网络流量的多个报文的数量。该报文长度用于统计第一时间段内属于该网络流量的多个报文的报文长度，即该报文长度是第一时间段内属于该网络流量的多个报文的报文长度。
99.第一时间段内的分布统计特征用于反映该网络流量在第一时间段内的数据分布特点。第一时间段内的分布统计特征包括以下至少一项：该网络流量在第一时间段内接收的报文长度的最大值、最小值、平均值、标准差、中位数、在第一时间段内该网络流量的振幅和频率等。
100.在一些实施例中，第一时间段的时间长度为指定时长。例如，指定时长为1秒、2秒或3秒等，即第一时间段为时间长度为1秒的时间段、时间长度为2秒的时间段，或者，时间长度为3秒的时间段。在多个时间段中，每个时间段的时间长度可能相等或不相等。
101.该流量状态特征集反映了该网络流量在一段监测时间长度或一个特征提取周期内的状态特征，并且是与该网络流量的流量内容无关的外在特征，如数据量特征或者数据分布统计特征。
102.在一些实施例中，网络设备102还向控制管理设备101发送该网络流量的流量类型。
103.第二方式，网络设备102在接收完该网络流量后，基于该网络流量包括的每个报文的属性信息，获取该网络流量的流量状态特征集，向控制管理设备101发送该流量状态特征集。控制管理设备101基于该流量状态特征集识别该网络流量的流量类型。
104.第三方式，网络设备102在接收完该网络流量后，向控制管理设备101发送该网络流量包括的每个报文的属性信息。控制管理设备101基于该网络流量包括的每个报文的属性信息，获取该网络流量的流量状态特征集，基于该流量状态特征集识别该网络流量的流量类型。
105.在一些实施例中，网络设备102或控制管理设备101基于该流量状态特征集和第一对应关系识别该网络流量的流量类型为第一流量类型，第一对应关系用于保存多个标准流量状态特征集和流量类型的对应关系的记录。每一条记录包括一种标准流量状态特征集和该标准流量的流量类型的对应关系。标准流量状态特征集为某一种已知流量类型的网络流量的流量状态特征集。第一对应关系用于指示网络流量类型和标准流量状态特征集的对应关系。
106.第一对应关系可能保存在网络设备102上，或者，可能保存在控制管理设备101上，或者，参见图2，该网络架构100还包括存储设备103，第一对应关系可能保存在存储设备103上。存储设备103可以为存储服务器等。
107.在一些实施例中，在第一对应关系保存在存储设备103上的情况，网络设备102或控制管理设备101在识别该网络流量的流量类型时，先从存储设备103中获取第一对应关系，基于该流量状态特征集和第一对应关系识别该网络流量的流量类型。
108.在一些实施例中，网络设备102中的第一对应关系可能是网络设备102自己生成的，或者，可能是技术人员在网络设备102中配置的，或者，可能是接收控制管理设备101或存储设备103发送的。
109.在一些实施例中，存储设备103中的第一对应关系可能是存储设备103自己生成的，或者，可能是技术人员在存储设备103中配置的，或者，可能是接收控制管理设备101发送的。
110.在一些实施例中，控制管理设备101中的第一对应关系可能是控制管理设备101自己生成的，或者，可能是技术人员在控制管理设备101中配置的。
111.第一对应关系中的每条记录包括标准流量状态特征集信息和流量类型信息，该标准流量状态特征集包括多个流量状态特征。标准流量状态特征集是标准网络流量或已知流量类型对应的流量状态特征集。第一对应关系中的每条记录包括一条网络流量的标准流量状态特征集和流量类型。标准流量状态特征集信息可以是完整的标准流量状态特征集信息还可以是标准流量状态特征集的指示信息，例如标准流量状态特征集的标识id(identifier)或者索引信息。流量类型信息可以是完整的流量类型信息还可以是流量类型的指示信息，例如流量类型的标识id、标签或者索引信息。
112.在一些实施例中，对于已知流量类型的网络流量，获取该网络流量的流量状态特征集作为标准流量状态特征集，将该标准流量状态特征集和该流量类型作为第一对应关系中的一条记录。采用如下图3所示实施例中的步骤301至302的操作获取该网络流量的流量状态特征集，详细实现见如下步骤301和302的操作。或者，采用如下图3所示实施例中的步骤301至302的操作获取该网络流量的流量状态特征集并保存在已知流量类型的网络流量的特征数据库中，该特征数据库包括该网络流量的标准流量状态特征集，因此可以从该特征数据库中获取该网络流量的标准流量状态特征集，将该标准流量状态特征集和该流量类型作为第一对应关系中的一条记录。
113.在一些实施例中，该标准流量状态特征集的形式是向量或矩阵等，该向量或该矩阵中的每个元素为该标准流量状态特征集中的流量状态特征。例如，参见下表1所示的第一对应关系，第一对应关系至少包括两条记录，其中的第一条记录包括[12，12，12]和视频类型，[12，12，12]是向量形式的标准流量状态特征集，视频类型是[12，12，12]这个状态特征
集对应的流量类型。对于任一个时间段，视频类型的网络流量具有如下特点：该网络流量在该时间段内的下行报文个数远大于上行报文个数，下行报文总长度远大于上行报文总长度。根据上述特点，对于流量类型为视频类型的网络流量，将在某个时间段内获取的下行报文和上行报文的数据量关系作为流量状态特征，例如，规定为某个时间段内网络流量的下行报文个数远大于上行报文个数以及下行报文总长度远大于上行报文总长度的网络流量分配一个数据标识，该数据标识用于标识该特点，且在该例子中分配的数据标识为12。如果一个网络流量，在连续三个时间段内的流量状态特征都具有该特点，则确定这个网络流量的流量类型为视频类型，那么视频类型的网络流量对应的流量状态特征集可以定义为[12，12，12]。上述向量包括三个元素，每个元素都标识符合视频类型流量的数据量关系特点，即每个元素都是用12来标识，所以向量包括12、12和12，所以第一条记录中的[12，12，12]表示在连续三个时间段内网络流量的下行报文个数远大于上行报文个数以及下行报文总长度远大于上行报文总长度，从而设置与[12，12，12]对应的流量类型为视频类型。
[0114]
参见下表1所示的第一对应关系中的第二条记录包括和游戏类型，是矩阵形式的标准流量状态特征集，游戏类型是游戏流量的流量类型。对于任一个时间段，游戏类型的网络流量具有如下特点：该网络流量在该时间段内的下行报文总长度与上行报文总长度之间的差值很小并且下行报文总长度和上行报文总长度的数值具有规律性。根据上述特点，对于流量类型为游戏类型的网络流量，将在某个时间段内获取的下行报文总长度的数值和上行报文总长度数值构成的列向量作为流量状态特征。如果一个网络流量，在连续两个时间段内的流量状态特征都具有该特点，则确定这个网络流量的流量类型为游戏类型，那么游戏类型的网络流量对应的流量状态特征集可以通过两个列向量构成的矩阵表示，那么该流量状态特征集定义为该矩阵是事先获取的一个游戏流量的流量状态特征集，该矩阵的第一列包括该游戏流量在一个时间段内的上行报文总长度“8m”和下行报文总长度“8.1m”，该矩阵的第二列包括该游戏流量在另一个时间段内的上行报文总长度“12m”和下行报文总长度“13m”，将获取的该矩阵和该游戏流量的游戏类型对应保存在第二条记录中。
[0115]
表1
[0116][0117]
上述第一方式、第二方式和第三方式仅是获取该网络流量的流量类型的例子。当然，还有其他实现获取该网络流量的流量类型的方式，在此不再一一列举。
[0118]
对于上述不同方式中，获取网络流量的流量类型的详细实现过程，将在如下任一实施例中进行详细说明。
[0119]
参见图3，本技术实施例提供了一种获取流量类型的方法300，所述方法300可以应用于图1或图2所示的网络架构100，所述方法300的执行主体为所述网络架构100中的网络设备，包括：
[0120]
步骤301：网络设备获取第一流量包括的每个报文的属性信息，每个报文的属性信息包括以下至少一项：流量标识、接收时间、上行报文指示信息、下行报文指示信息和报文长度等。
[0121]
其中，对于网络设备接收的任一个报文，该报文的属性信息包括以下至少一个项：该报文属于的流量标识、该报文的接收时间、该报文的指示信息和/或该报文的报文长度等信息，该指示信息用于指示该报文是上行报文还是下行报文。即该指示信息为上行报文指示信息或下行报文指示信息，该上行报文指示信息用于指示该报文为上行报文，该下行报文指示信息用于指示该报文为下行报文。
[0122]
第一流量是网络设备接收的网络流量。第一流量在网络中传输时会经过网络设备，从而被网络设备接收。
[0123]
网络设备每当接收到属于第一流量的一个报文时，基于该报文获取该报文的属性信息，然后转发该报文。
[0124]
对于该报文的属性信息包括的流量标识、该报文的接收时间、该报文的指示信息和/或报文长度等中的每项信息，接下来分别说明网络设备采集每项信息的详细过程。
[0125]
网络设备从该报文的报文头中提取四元组信息或五元组信息，将该报文的四元组信息或五元组信息作为该报文的流量标识。该四元组信息包括该报文的源地址、源端口号、目的地址和目的端口号。该五元组信息包括该报文的源地址、源端口号、目的地址、目的端口号和协议类型。在一些实施例中，网络设备可以基于流量标识唯一确定一条网络流量。
[0126]
对于第一流量的上行报文和下行报文，从该上行报文中提取两个地址，分别为源地址和目的地址，提取两个端口号，分别为源端口号和目的端口号。从该下行报文的两个地址，分别为源地址和目的地址，提取两个端口号，分别为源端口号和目的端口号。从该上行报文中提取的源地址和从该下行报文提取的目的地址相同，从该上行报文提取的目的地址和从该下行报文提取的源地址相同。从该上行报文中提取的源端口号和从该下行报文提取的目的端口号相同，从该上行报文提取的目的端口号和从该下行报文提取的源端口号相同。
[0127]
所以从该上行报文中提取的两个地址和从该下行报文中提取的两个地址相同，从该上行报文中提取的两个端口号和从该下行报文中提取的两个端口号相同。也就是说，从该上行报文中提取的四元组信息包括的信息内容，和从该下行报文中提取的四元组信息包括的信息内容相同。或者，从该上行报文中提取的五元组信息包括的信息内容，和从该下行报文中提取的五元组信息包括的信息内容相同。
[0128]
在步骤301中将从该上行报文提取的四元组信息或五元组信息作为该上行报文属于的第一流量的流量标识，从该下行报文提取的四元组信息或五元组信息作为该下行报文属于的第一流量的流量标识。因此，通过第一流量的流量标识可以确定属于第一流量的上行报文和下行报文。
[0129]
对于该报文的接收时间，网络设备在接收到该报文时，获取当前时间作为接收该报文的接收时间。在一些实施例中，网络设备在接收到该报文时，从本地时钟获取当前时间，并将该当前时间作为接收该报文的接收时间。
[0130]
对于该报文的指示信息，网络设备确定接收该报文的接口，基于该接口确定该报文的指示信息。
[0131]
在一些实施例中，终端与服务器在传输报文之前，终端先发送连接建立请求，网络设备通过第一接口接收该连接建立请求，通过第二接口向服务器发送该连接建立请求，以请求建立终端与服务器之间的网络连接，然后终端与服务器通过该网络连接来传输报文。
[0132]
所以网络设备记录第一接口与终端通信，第二接口与服务器通信。这样网络设备确定报文的指示信息的操作为：当接收该报文的接口为第一接口时，确定该报文为终端发送给服务器的上行报文，该报文的指示信息为用于指示上行报文的上行报文指示信息；当接收该报文的接口为第二接口时，确定该报文为服务器发送给终端的下行报文，该报文的指示信息为用于指示下行报文的下行报文指示信息。
[0133]
在一些实施例中，该连接建立请求的源地址字段包括终端的地址，目的地址字段包括服务器的地址。网络设备从该连接建立请求中提取终端的地址和服务器的地址。这样网络设备确定报文的指示信息的操作为：网络设备当接收到报文时，如果该报文的源地址字段包括的源地址和目的地址字段包括的目的地址分别是该终端的地址和服务器的地址，确定该报文为属于第一流量的上行报文，该报文的指示信息为用于指示上行报文的上行报文指示信息。如果该报文的源地址字段包括的源地址和目的地址字段包括的目的地址分别是该服务器的地址和终端的地址，确定该报文为属于第一流量的下行报文，该报文的指示信息为用于指示下行报文的下行报文指示信息。
[0134]
对于该报文的报文长度，该报文的长度包括整个该报文的报文长度，网络设备在接收到该报文时，对该报文进行统计得到整个该报文的报文长度。
[0135]
其中，由于报文的属性信息包括该报文属于的流量标识、该报文的接收时间、该报文的指示信息和/或报文长度等信息，且流量标识是从该报文的报文头中获取的，所以不管该报文的净荷是否加密，不管该报文是何种类型的报文，以及不管在传输第一流量之前是否需要传输dns请求均不影响网络设备获取该报文的属性信息，从而不影响获取第一流量的流量类型。
[0136]
第一流量包括至少一个报文，网络设备每当接收第一流量的一个报文，便基于该报文获取该报文的属性信息，并缓存该报文的属性信息。
[0137]
例如，假设第一流量包括报文1、2、3、4、5、6、7、8、9和10，网络设备分别获取报文1、2、3、4、5、6、7、8、9和10的属性信息，并缓存该十个报文的属性信息，如表2所示。在表2中上行报文指示信息用于指示上行报文，下行报文指示信息用于指示下行报文，即报文1和报文6均是上行报文，报文2、报文3、报文4、报文5、报文7、报文8、报文9和报文10均是下行报文。
[0138]
表2
[0139][0140]
在一些实施例中，网络设备当未接收到第一流量的报文的时间长度达到时长阈值时，确定接收完第一流量。接下来，网络设备可以按如下流程获取第一流量的流量类型。
[0141]
步骤302：网络设备基于第一流量包括的每个报文的属性信息，获取第一流量的流量状态特征集，该流量状态特征集包括第一流量在多个时间段内的多个流量状态特征。
[0142]
该多个时间段是时间连续的多个时间段。
[0143]
对于该多个时间段中的任意一个时间段，为了便于说明，将该时间段称为第一时间段。第一流量在第一时间段内的流量状态特征包括第一流量在第一时间段内的数据量特征，和/或，第一流量在第一时间段内的分布统计特征。
[0144]
在步骤302中，网络设备通过如下3021至3023的操作，获取第一流量的流量状态特征集。该3021至3023的操作分别为：
[0145]
3021：网络设备基于第一流量包括的每个报文的属性信息，确定多个时间段以及在每个时间段内接收的报文的属性信息。
[0146]
在3021中，由于每个报文的属性信息包括流量标识，在确定接收完第一流量时，网络设备从各报文的属性信息中，确定包括第一流量的流量标识的各报文的属性信息，即得到第一流量包括的每个报文的属性信息。由于每个报文的属性信息包括接收时间，因此网络设备基于第一流量中的每个报文的接收时间，确定接收第一流量的时间跨度。基于该时间跨度和指定时长确定多个时间段，基于每个报文的接收时间，确定在每个时间段内接收的报文的属性信息。
[0147]
例如，第一流量包括如表2所示的十个报文，即包括报文1、2、3、4、5、6、7、8、9和10。基于报文1、2、3、4、5、6、7、8、9和10的接收时间，确定接收第一流量的时间跨度为2.8秒。假设指定时长为1秒，基于该2.8秒的时间跨度和该指定时长，确定三个时间段，每个时间段的时间长度为1秒，该三个时间段分别为时间段1、2和3，时间段1为第0至1秒的时间段，时间段为第1至2秒的时间段，时间段3为第2至3秒的时间段。基于报文1、2、3、4、5、6、7、8、9和10的接收时间，确定在时间段1内接收的报文的属性信息，在时间段2内接收的报文的属性信息和在时间段3内接收的报文的属性信息。
[0148]
在时间段1内接收的报文的属性信息包括报文1的属性信息、报文2的属性信息和报文3的属性信息。在时间段2内接收的报文的属性信息包括报文4的属性信息、报文5的属性信息和报文6的属性信息。在时间段3内接收的报文的属性信息包括报文7的属性信息、报文8的属性信息、报文9的属性信息和报文10的属性信息。
[0149]
3022：基于第一时间段接收的每个报文的属性信息，获取第一流量在第一时间段内的流量状态特征，第一时间段是该多个时间段中的任一个时间段。
[0150]
第一流量在第一时间段内的流量状态特征包括第一流量在第一时间段内的数据量特征，和/或，分布统计特征。
[0151]
对于第一流量在第一时间段内的数据量特征，接下来对第一时间段内的数据量特征进行详细说明。详细说明如下：
[0152]
第一时间段内的数据量特征包括数据标识、报文数量和/或报文长度等信息。其中，报文数量是网络设备在第一时间段内接收的属于第一流量的多个报文的数量。报文长度是网络设备在第一时间段内接收的属于第一流量的多个报文的报文长度。该数据标识用于描述该报文数量和/或该报文长度存在的关系，该关系包括该报文长度存在的长度关系和/或该报文数量存在的数量关系。
[0153]
在一些实施例中，上述报文数量包括上行报文数量和/或下行报文数量，上行报文数量是在第一时间段内网络设备接收的属于第一流量的上行报文的数量，下行报文数量是在第一时间段内网络设备接收的属于第一流量的下行报文的数量。
[0154]
在一些实施例中，上述报文长度包括上行报文长度和/或下行报文长度，上行报文长度是在第一时间段内网络设备接收的属于第一流量的上行报文的长度之和，下行报文长度是在第一时间段内网络设备接收的属于第一流量的下行报文的长度之和。
[0155]
对于第一时间段内的数据量特征包括的数据标识、该报文数量和/或该报文长度等各项信息，接下来分别说明获取各项信息的详细操作。
[0156]
在一些实施例中，网络设备获取该报文数量的操作为：基于第一时间段内接收的
每个报文的指示信息，确定在第一时间段内接收的每个上行报文和/或每个下行报文。对第一时间段内接收的上行报文进行统计，得到在第一时间段内接收的属于第一流量的上行报文的数量；和/或，对第一时间段内接收的下行报文进行统计，得到在第一时间段内接收的属于第一流量的下行报文的数量。
[0157]
例如，参见上述表2，在时间段1内接收的报文包括报文1、报文2和报文3，基于报文1的上行报文指示信息、报文2的下行报文指示信息和报文3的下行报文指示信息，确定报文1为上行报文，报文2和报文3均是下行报文，如此统计得到时间段1内接收的上行报文的数量为1，下行报文的数量为2，即时间段1内的报文数量包括上行报文数量1和下行报文数量2。
[0158]
在时间段2内接收的报文包括报文4、报文5和报文6，基于报文4的下行报文指示信息、报文5的下行报文指示信息和报文3的上行报文指示信息，确定报文4和报文5均为下行报文，报文6是上行报文，如此统计得到时间段2内接收的上行报文的数量为1，下行报文的数量为2，即时间段2内的报文数量包括上行报文数量1和下行报文数量2。
[0159]
在时间段3内接收的报文包括报文7、报文8、报文9和报文10，基于报文7的下行报文指示信息、报文8的下行报文指示信息、报文9的下行报文指示信息和报文10的下行报文指示信息，确定报文7、报文8、报文9和报文10均为下行报文，如此统计得到时间段3内接收的上行报文数量为0，下行报文数量为4，即时间段3内的报文数量包括上行报文数量0和下行报文数量4。
[0160]
基于上述方法获得了上述第一流量在三个时间段的数据量特征(报文数量)，具体如表3所示。
[0161]
表3
[0162][0163]
在一些实施例中，网络设备获取报文长度的操作为：对第一时间段内接收的每个上行报文的报文长度进行累加，得到在第一时间段内接收的属于第一流量的上行报文总长度，即得到上行报文长度。和/或，对第一时间段内接收的每个下行报文的报文长度进行累加，得到在第一时间段内接收的属于第一流量的下行报文总长度，即得到下行报文长度。
[0164]
例如，参见上述表2，在时间段1内接收的上行报文包括报文1，接收的下行报文包括报文2和报文3。报文1的报文长度为“2m”，所以在时间段1内接收的上行报文总长度为“2m”。报文2和报文3的报文长度均为“5m”，所以在时间段1内接收的下行报文总长度为“10m”，即时间段1内的报文长度包括上行报文长度“2m”和下行报文长度“10m”。
[0165]
在时间段2内接收的上行报文包括报文6，接收的下行报文包括报文4和报文5。报文6的报文长度为“2m”，所以在时间段2内接收的上行报文总长度为“2m”。报文4和报文5的
报文长度均为“5m”，所以在时间段2内接收的下行报文总长度为“10m”，即时间段2内的报文长度包括的上行报文长度“2m”和下行报文长度“10m”。
[0166]
在时间段3内没有接收到上行报文，接收的下行报文包括报文7、报文8、报文9和报文10。报文7、报文8和报文9的报文长度均为“5m”，报文10的报文长度为“3m”，所以在时间段3内接收的上行报文总长度为“0”，在时间段3内接收的下行报文总长度为“18m”，即时间段3内的报文长度包括的上行报文长度“0m”和下行报文长度“18m”。
[0167]
基于上述方法获得了上述第一流量在三个时间段的数据量特征(报文长度)，具体如表4所示。
[0168]
表4
[0169][0170]
在一些实施例中，对于第一时间段内的数据标识，网络设备基于第一时间段内的报文数量和/或报文长度获取该数据标识。在实现时：
[0171]
网络设备基于第一时间段内的第一流量的多个报文中上行报文数量和/或下行报文数量，统计出上行报文数量统计值和下行报文数量统计值，进一步确定上下行报文的数量存在的报文数量关系特征(例如，如表3所示，时间段1对应的报文数量统计值中，上行报文数量小于下行报文数量)，网络设备基于上述数量关系特征确定第一流量的流量状态特征；网络设备还基于第一时间段内的上行报文长度和/或下行报文长度，确定报文长度存在的长度关系特征(例如，如表4所示，时间段1对应的报文长度统计值中，上行报文长度小于下行报文长度)，网络设备基于上述长度关系特征确定第一流量的流量状态特征；网络设备还基于上述两种关系特征确定第一流量的流量状态特征。第一流量的报文关系特征包括报文数量关系特征和/或报文长度关系特征。为了表示第一流量在一个时间段内的报文关系特征，网络设备基于上述报文关系特征和数据标识的对应关系，通过数据标识来描述流量状态特征。在这里将报文关系特征和数据标识的对应关系成为数据标识对应关系。网络设备从数据标识对应关系中获取和报文关系特征对应的数据标识，其中，数据标识对应关系中包括多个对应关系记录，例如，如表5所示的数据标识对应关系包括两条对应关系记录，对应关系记录1包括报文关系特征1和数据标识1的对应关系，对应关系记录2包括报文关系特征2和数据标识2的对应关系。本实施例中通过表5的描述方式表现了数据表示对应关系，但本技术不限于使用表5的方式记录或保存上述数据表示对应关系。
[0172]
表5
[0173][0174]
在一些实施例中，该数据标识对应关系可能保存网络设备上，或者，可能保存在存储设备上，或者，可能保存在控制管理设备上。
[0175]
在该数据标识对应关系保存在存储设备或控制管理设备上的情况，网络设备向存储设备或控制管理设备发送该关系集合，以使存储设备或控制管理设备基于该关系集合从该数据标识对应关系中获取对应的数据标识，接收存储设备或控制管理设备发送的该数据标识。
[0176]
在一些实施例中，网络设备中的数据标识对应关系可能是技术人员在网络设备中设置的，或者，可能是网络设备自己生成的，或者，可能是网络设备接收控制管理设备或存储设备发送的。
[0177]
在一些实施例中，存储设备中的数据标识对应关系可能是技术人员在存储设备中设置的，或者，可能是存储设备自己生成的，或者，可能是存储设备接收控制管理设备发送的。
[0178]
在一些实施例中，控制管理设备中的数据标识对应关系可能是技术人员在控制管理设备中设置的，或者，可能是控制管理设备自己生成的。
[0179]
在一些实施例中，对于上述网络设备、存储设备或控制管理设备生成数据标识对应关系的操作为：获取至少一个报文关系特征，每个报文关系特征包括报文数量关系和/或报文长度关系特征，并设置每个报文关系特征对应的数据标识，将每个报文关系特征和每个报文关系特征的数据标识对应保存在数据标识对应关系中。和/或，
[0180]
对于技术人员设置数据标识对应关系的操作：技术人员对多个网络流量进行分析，基于分析的结果配置至少一个报文关系特征，为每个报文关系特征分配数据标识，将每个报文关系特征和每个报文关系特征对应的数据标识对应保存在数据标识对应关系中。
[0181]
对于上述数据标识对应关系，接下来列举了一个详细例子进行说明。如表6所示，数据标识对应关系中包括至少2条对应关系记录。表6中的报文关系特征包括报文数量关系特征。对应关系记录1记录了报文关系特征1和数据标识12的对应关系。报文关系特征1包括报文数量关系特征1，报文数量关系特征1指示了一种为“下行报文数量多于上行报文数量”的报文数量关系特征，为报文关系特征1分配的数据标识为12，将报文关系特征1和数据标识12对应保存在如下表5所示的数据标识对应关系中，得到数据标识对应关系中的第一条记录。
[0182]
对应关系记录2记录了报文关系特征2和数据标识10的对应关系。报文关系特征2包括报文数量关系特征2，报文数量关系特征2指示了一种为“上行报文数量超过数量阈值，下行报文数量未超过数量阈值”的报文数量关系特征，为报文关系特征2分配数据标识为10，将报文关系特征2和数据标识10的对应关系保存在如下表6所示的数据标识对应关系中，得到数据标识对应关系中的第二条记录。
[0183]
表6
[0184][0185]
如表7所示，数据标识对应关系中包括至少2条对应关系记录。表7中的报文关系特征包括报文数量关系特征和报文长度关系特征。对应关系记录1记录了报文关系特征1和数据标识12的对应关系，报文关系特征1包括报文数量关系特征1和报文长度关系特征1，报文数量关系特征1指示了一种为“下行报文数量多于上行报文数量”的报文数量关系特征，报文长度关系特征1指示了一种为“下行报文总长度大于上行报文总长度”的报文长度关系特征。为报文关系特征1分配的数据标识为12，将报文关系特征1和数据标识12的对应关系保存在如下表6所示的数据标识对应关系中，得到数据标识对应关系中的第一条记录。
[0186]
对应关系记录2记录了报文关系特征2和数据标识10的对应关系。报文关系特征2包括报文数量关系特征2和报文长度关系特征2，报文数量关系特征2指示了一种为“上行报文数量超过数量阈值，下行报文数量未超过数量阈值”的报文数量关系特征，报文长度关系特征2指示了一种为“上行报文总长度超过长度阈值，下行报文总长度未超过长度阈值”的报文长度关系特征，为报文关系特征2分配数据标识为10，将报文关系特征2和数据标识10的对应关系保存在如下表7所示的数据标识对应关系中，得到数据标识对应关系中的第二条记录。
[0187]
表7
[0188][0189]
在一些实施例中，网络设备基于第一时间段内的上行报文数量和/或下行报文数量，确定报文数量统计值，如表3所示。网络设备需要根据该报文数量统计值，根据如表6所示的数据标识对应关系，获得基于数据标识的数据量特征作为网络流量的流量状态特征。网络设备根据表3中的报文数量统计值获得对应的报文数量关系特征。根据表6中的数据标识对应关系获得对应的数据标识，如表8所示，最后获得了网络流量在时间段1到时间段3的流量状态特征集[12,12,12]。
[0190]
表8
[0191][0192]
基于上述方法获得了上述第一流量在三个时间段的数据量特征(数据标识)，具体如表9所示。
[0193]
表9
[0194][0195]
针对一条第一流量，需要按照上述的一种或多种数据量特征类型获取对应的流量状态特征。
[0196]
对于第一流量在第一时间段内的分布统计特征，接下来对第一时间段内的分布统计特征进行详细说明。详细说明如下：
[0197]
第一时间段内的分布统计特征包括以下一个或多个：在第一时间段内接收的第一流量的振幅、频率、在第一时间段内接收的报文长度的最大值、最小值、平均值、标准差、中位数，以及在第一时间段内接收的报文个数等。
[0198]
在一些实施例中，网络设备获取第一流量在第一时间段内的振幅和频率的操作为：网络设备对第一时间片内接收的第一流量进行傅里叶变换，得到频域信号。获取该频域信号的振幅，从而得到在第一时间段内接收的第一流量的振幅；和/或，获取该频域信号的频率，从而得到在第一时间段内接收的第一流量的频率。
[0199]
对于第一时间段内接收的每个报文的属性信息，每个报文的属性信息分别包括每个报文的报文长度，所以网络设备从每个报文的属性信息中分别获取每个报文的报文长度，基于每个报文的报文长度，获取最大值、最小值、平均值、标准差和/或中位数。和/或，
[0200]
网络设备对第一时间段内接收的每个报文的属性信息进行统计，得到在第一时间段内接收的报文个数。
[0201]
对于第一流量在其他时间段内的分布统计特征，参照上述获取第一流量在第一时间段内的分布统计特征的过程，获取第一流量分别在其他每个时间段内的分布统计特征。
[0202]
接下来以表2所示的第一流量为例，详细说明网络设备获取第一流量分别在时间段1、时间段2和时间段3内的分布统计特征。
[0203]
参见表2，对于时间段1，在时间段1内接收的报文的属性信息包括报文1的属性信息，报文2的属性信息和报文3的属性信息，即时间段1内接收的报文数量为“3”，以及时间段
1内接收的第一流量包括报文1、报文2和报文3。对报文1、报文2和报文3进行傅里叶变换得到频域信号1，获取频域信号1的振幅和频率，假设该振幅为“3”，频率为“50赫兹”。从报文1的属性信息，报文2的属性信息和报文3的属性信息分别获取报文1的报文长度“2m”，报文2的报文长度“5m”和报文3的报文长度“5m”。基于报文1的报文长度“2m”，报文2的报文长度“5m”和报文3的报文长度“5m”，获取最大值为“5”、最小值为“2”、平均值为“4”、标准差和/或中位数为“5”，得到结果如下表10所示的第一行记录所示。
[0204]
对于时间段2，在时间段2内接收的报文的属性信息包括报文4的属性信息，报文5的属性信息和报文6的属性信息，即时间段2内接收的报文数量为“3”，以及时间段2内接收的第一流量包括报文4、报文5和报文6。对报文4、报文5和报文6进行傅里叶变换得到频域信号2，获取频域信号2的振幅和频率，假设该振幅为“4”，频率为“60赫兹”。从报文4的属性信息，报文5的属性信息和报文6的属性信息分别获取报文4的报文长度“5m”，报文5的报文长度“5m”和报文6的报文长度“2m”。基于报文4的报文长度“5m”，报文5的报文长度“5m”和报文6的报文长度“2m”，获取最大值为“5”、最小值为“2”、平均值为“4”、标准差和/或中位数为“5”，得到结果如下表10所示的第二行记录所示。
[0205]
对于时间段3，在时间段3内接收的报文的属性信息包括报文7的属性信息，报文8的属性信息、报文9的属性信息和报文10的属性信息，即时间段3内接收的报文数量为“4”，以及时间段3内接收的第一流量包括报文7、报文8、报文9和报文10。对报文7、报文8、报文9和报文10进行傅里叶变换得到频域信号3，获取频域信号3的振幅和频率，假设该振幅为“5”，频率为“55赫兹”。从报文7的属性信息，报文8的属性信息、报文9的属性信息和报文10的属性信息分别获取报文7的报文长度“5m”，报文8的报文长度“5m”，报文9的报文长度“5m”和报文10的报文长度“5m”。基于报文7的报文长度“5m”，报文8的报文长度“5m”、报文9的报文长度“5m”和报文10的报文长度“5m”，获取最大值为“5”、最小值为“3”、平均值为“4.5”、标准差和/或中位数为“5”，得到结果如下表10所示的第三行记录所示。
[0206]
表10
[0207][0208]
针对一条第一流量，可按照上述的一种或多种分布统计特征类型获取对应的流量状态特征。
[0209]
对于上述任一个时间段，第一流量在该时间段内的流量状态特征包括数据量特征和/或分布统计特征。该数据量特征包括第一流量在该时间段内的报文数量(上行报文数量和/或下行报文数量)、报文长度(上行报文长度和/或下行报文长度)和/或数据标识。该分布统计特征包括第一流量在该时间段内的振幅、频率，在该时间段内接收的报文长度的最大值、最小值、平均值、标准差、中位数和/或接收的报文数量。
[0210]
也就是说，第一流量在该时间段内的流量状态特征包括报文数量、报文长度、数据标识、振幅、频率、最大值、最小值、平均值、中位数和标准差等中的一个或多个类别的信息。
[0211]
3023：网络设备将第一流量在每个时间段内的流量状态特征，组成第一流量的流量状态特征集。
[0212]
第一流量的流量状态特征集可能是一个向量或是一个矩阵等。
[0213]
对于上述任一个时间段，如果第一流量在该时间段内的流量状态特征包括报文数量、报文长度、数据标识、振幅、频率、最大值、最小值、平均值和标准差等中的一个类别的信息时，将第一流量在每个时间段内的该类别的信息组成一个向量，该向量为第一流量的流量状态特征集。
[0214]
也就是说，如果第一流量在每个时间段内的流量状态特征为数据标识，则将第一流量在每个时间段内的数据标识组成一个向量，该向量为第一流量的流量状态特征集。如果第一流量在每个时间段内的流量状态特征为报文数量，则将第一流量在每个时间段内的报文数量组成一个向量，该向量为第一流量的流量状态特征集。如果第一流量在每个时间段内的流量状态特征为报文长度，则将第一流量在每个时间段内的报文长度组成一个向量，该向量为第一流量的流量状态特征集。如果第一流量在每个时间段内的流量状态特征为振幅，则将第一流量在每个时间段内的振幅组成一个向量，该向量为第一流量的流量状态特征集。如果第一流量在每个时间段内的流量状态特征为频率，则将第一流量在每个时间段内的频率组成一个向量，该向量为第一流量的流量状态特征集。如果第一流量在每个时间段内的流量状态特征为最大值，则将第一流量在每个时间段内的最大值组成一个向量，该向量为第一流量的流量状态特征集。如果第一流量在每个时间段内的流量状态特征为最小值，则将第一流量在每个时间段内的最小值组成一个向量，该向量为第一流量的流量状态特征集。如果第一流量在每个时间段内的流量状态特征为平均值，则将第一流量在每个时间段内的平均值组成一个向量，该向量为第一流量的流量状态特征集。如果第一流量在每个时间段内的流量状态特征为中位数，则将第一流量在每个时间段内的中位数组成一个向量，该向量为第一流量的流量状态特征集。如果第一流量在每个时间段内的流量状态特征为标准差，则将第一流量在每个时间段内的标准差组成一个向量，该向量为第一流量的流量状态特征集。
[0215]
以上述表2所示的第一流量为例，假设第一流量在时间段1的流量状态特征、在时间段2内的流量状态特征以及在时间段3内的流量状态特征均为数据标识，即如上述表9所示，第一流量在时间段1的流量状态特征为数据标识“12”、在时间段2内的流量状态特征为数据标识“12”以及在时间段3内的流量状态特征为数据标识“12”。所以将第一流量在时间段1内的数据标识“12”，在时间段2内的数据标识“12”和在时间段3内的数据标识“12”组成向量[12，12，12]，该向量[12，12，12]为第一流量的流量状态特征集。
[0216]
再例如，假设第一流量在时间段1的流量状态特征、在时间段2内的流量状态特征以及在时间段3内的流量状态特征均为振幅，即如上述表10所示，第一流量在时间段1的流量状态特征为振幅“3”、在时间段2内的流量状态特征为振幅“4”以及在时间段3内的流量状态特征为振幅“5”。所以将第一流量在时间段1内的振幅“3”，在时间段2内的振幅“4”和在时间段3内的振幅“5”组成向量[3，4，5]，该向量[3，4，5]为第一流量的流量状态特征集。其中，第一流量在每个时间段的流量状态特征还可能是其他类别的信息，就不再一一列举。
[0217]
对于上述任一个时间段，如果第一流量在该时间段内的流量状态特征包括报文数量、报文长度、数据标识、振幅、频率、最大值、最小值、平均值、中位数和标准差等中的m个类
别的信息时，m为大于1的整数，将第一流量在每个时间段内的该m个类别的信息组成一个矩阵。其中，该矩阵包括m行，每行包括相同类别的信息，该矩阵为第一流量的流量状态特征集。
[0218]
也就是说，如果第一流量在该时间段内的流量状态特征包括数据标识和报文数量，则将第一流量在每个时间段内的数据标识和报文数量组成一个两行的矩阵，该矩阵的第一行包括第一流量在每个时间段内的数据标识，该矩阵的第二行包括第一流量在每个时间段内的报文数量，该矩阵为第一流量的流量状态特征集。
[0219]
如果第一流量在该时间段内的流量状态特征包括最大值、最小值和平均值，则将第一流量在每个时间段内的最大值、最小值和平均值组成一个三行的矩阵，该矩阵的第一行包括第一流量在每个时间段内的最大值，该矩阵的第二行包括第一流量在每个时间段内的最小值，该矩阵的第三行包括第一流量在每个时间段内的平均值，该矩阵为第一流量的流量状态特征集。
[0220]
如果第一流量在该时间段内的流量状态特征包括振幅、频率、最大值、最小值、平均值、中位数和标准差，则将第一流量在每个时间段内的振幅、频率、最大值、最小值、平均值、中位数和标准差组成一个六行的矩阵。该矩阵的第一行包括第一流量在每个时间段内的振幅，该矩阵的第二行包括第一流量在每个时间段内的频率，该矩阵的第三行包括第一流量在每个时间段内的最大值，该矩阵的第四行包括第一流量在每个时间段内的最小值，该矩阵的第五行包括第一流量在每个时间段内的平均值，该矩阵的第六行包括第一流量在每个时间段内的中位数，该矩阵的第七行包括第一流量在每个时间段内的标准差，该矩阵为第一流量的流量状态特征集。其中，可以将每个时段段内的不同类别的信息组合成第一流量的流量状态特征集，对于其他的组合方式不再一一列举。
[0221]
以上述表2所示的第一流量为例，假设参见上述表3、表4、表9和表10，第一流量在任一个时间段内的流量状态特征包括报文数量(上行报文数量和下行报文数量)、报文长度(上行报文长度和下行报文长度)、数据标识、振幅、频率、最大值、最小值、平均值、中位数和标准差。这样可以组成一个12行的矩阵，如下表11所示，该矩阵的第1行包括在时间段1内的上行报文数量“1”，在时间段2内的上行报文数量“1”和在时间段3内的上行报文数量“0”；该矩阵的第2行包括在时间段1内的下行报文数量“2”，在时间段2内的下行报文数量“2”和在时间段3内的下行报文数量“4”；该矩阵的第3行包括在时间段1内的上行报文长度“2”，在时间段2内的上行报文长度“2”和在时间段3内的上行报文长度“0”；该矩阵的第4行包括在时间段1内的下行报文长度“10”，在时间段2内的下行报文长度“10”和在时间段3内的下行报文长度“18”；该矩阵的第5行包括在时间段1内的数据标识“12”，在时间段2内的数据标识“12”和在时间段3内的数据标识“12”；该矩阵的第6行包括在时间段1内的振幅“3”，在时间段2内的振幅“4”和在时间段3内的振幅“5”；该矩阵的第7行包括在时间段1内的频率“50”，在时间段2内的频率“60”和在时间段3内的频率“55”；该矩阵的第8行包括在时间段1内的最大值“5”，在时间段2内的最大值“5”和在时间段3内的最大值“5”；该矩阵的第9行包括在时间段1内的最小值“2”，在时间段2内的最小值“2”和在时间段3内的最小值“3”；该矩阵的第10行包括在时间段1内的平均值“4”，在时间段2内的平均值“4”和在时间段3内的平均值“4.5”；该矩阵的第11行包括在时间段1内的标准差在时间段2内的标准差和
在时间段3内的标准差该矩阵的第12行包括在时间段1内的中位数“5”，在时间段2内的中位数“5”和在时间段3内的中位数“5”。
[0222]
表11
[0223][0224]
步骤303：网络设备基于该流量状态特征集，识别第一流量的流量类型。
[0225]
在一些实施例中，网络设备向控制管理设备发送第一流量的流量状态特征集和流量类型。
[0226]
在步骤303中，网络设备通过如下两种方式识别第一流量的流量类型。当然，网络设备还能够通过其他方式识别第一流量的流量类型，在此不再一一列举。该两种方式分别为：
[0227]
第一种方式，网络设备基于第一流量的流量状态特征集和第一对应关系，识别第一流量的流量类型，第一对应关系用于保存标准流量状态特征集和流量类型的对应关系。
[0228]
在一些实施例中，确定与第一流量的流量状态特征集匹配的述第一标准流量状态特征集。根据与第一流量的流量状态特征集匹配的第一标准流量状态特征集，识别第一流量的流量类型为第一流量类型。第一对应关系包括第一标准流量状态特征集和第一流量类型的对应关系。
[0229]
在一些实施例中，第一流量类型为视频类型、游戏类型、下载类型或网页类型等。
[0230]
在一些实施例中，根据第一流量的流量状态特征集与第一对应关系中的每个标准流量状态特征集之间的距离值确定第一标准流量状态特征集。和/或，根据第一流量的流量状态特征集与第一对应关系中的每个标准流量状态特征集之间的相似度确定第一标准流量状态特征集。
[0231]
在一些实施例中，第一对应关系可能是技术人员在网络设备中设置的，或者，可能是网络设备自己生成的，或者，可能是网络设备接收控制管理设备发送的。
[0232]
在第一种方式中，网络设备通过如下3031至3032的操作，识别第一流量的流量类型。
[0233]
该3031至3032的操作分别为：
[0234]
3031：网络设备获取第一流量的流量状态特征集与第一对应关系中的每个标准流量状态特征集之间的相似度。
[0235]
第一对应关系可能保存在网络设备中，或者，可能保存在存储设备或控制管理设备中。在第一对应关系保存在存储设备或控制管理设备中时，网络设备先从存储设备或控制管理设备中获取第一对应关系，然后再执行3031的操作。
[0236]
在3031中：网络设备获取第一对应关系中的每个标准流量状态特征集，通过指定的相似度计算算法，获取第一流量的流量状态特征集与该每个标准流量状态特征集之间的相似度。
[0237]
在一些实施例中，该相似度计算算法可以包括距离计算算法、动态时间规整算法(dynamic time warping，dtw)和/或最长公共子序列算法(longest common sequence，lcs)等。距离计算算法包括欧式距离算法等。
[0238]
3032：网络设备选择与第一流量的流量状态特征集之间的相似度满足第一指定条件的第一标准流量状态特征集，其中，第一流量的流量类型为第一标准流量状态特征集对应的流量类型。
[0239]
在一些实施例中，第一指定条件包括第一流量的流量状态特征集与第一标准流量状态特征集之间的第一相似度最大，和/或，第一流量的流量状态特征集与第一标准流量状态特征集之间的第一相似度大于第一相似度阈值。所谓第一相似度最大是指第一相似度大于或等于第一流量的流量状态特征集与至少一个标准流量状态特征集中的每个标准流量状态特征集之间的相似度，该至少一个标准流量状态特征集包括第一对应关系中除第一标准流量状态特征集以外的每个标准流量状态特征集。
[0240]
这样，网络设备从第一对应关系包括的流量状态特征集中，选择与第一流量的流量状态特征集之间的相似度最大的流量状态特征集作为第一标准流量状态特征集，或者，选择与第一流量的流量状态特征集大于第一相似度阈值的一个流量状态特征集作为第一标准流量状态特征集，或者，选择与第一流量的流量状态特征集之间的相似度最大且大于第一相似度阈值的流量状态特征集作为第一标准流量状态特征集。
[0241]
例如，对于表2所示的第一流量，假设第一流量的流量状态特征集为向量[12，12，12]。而如表1所示的第一对应关系包括标准流量状态特征[12，12，12]和网络设备获取第一流量的流量状态特征集[12，12，12]与标准流量状态特征集[12，12，12]之间的相似度为100％，以及获取第一流量的流量状态特征集[12，12，12]与标准流量状态特征集之间的相似度为10％。所以网络设备选择与第一流量的流量状态特征集[12，12，12]之间的相似度最大的第一标准流量状态特征集[12，12，12]，其中，第一流量的流量类型为第一标准流量状态特征集[12，12，12]对应的视频类型。
[0242]
再例如，假设第一流量的流量状态特征集为上述表11所示的矩阵。而如表1所示的第一对应关系包括标准流量状态特征[12，12，12]和网络设备获取如表11所示
的流量状态特征集与标准流量状态特征集[12，12，12]之间的相似度为70％，以及获取如表11所示的流量状态特征集与标准流量状态特征集之间的相似度为10％。所以网络设备选择与如表11所示的流量状态特征集之间的相似度最大的第一标准流量状态特征集[12，12，12]，其中，第一流量的流量类型为第一标准流量状态特征集[12，12，12]对应的视频类型。
[0243]
上述3031-3032的操作使用相似度来获取第一流量的流量类型。除了使用相似度，还可以使用其他信息来获取第一流量的流量类型。例如，可以使用距离值来获取第一流量的流量类型。在实现时：
[0244]
网络设备获取第一流量的流量状态特征集与第一对应关系中的每个标准流量状态特征集之间的距离值；选择与第一流量的流量状态特征集之间的距离值满足第二指定条件的第一标准流量状态特征集，其中，第一流量的流量类型为第一标准流量状态特征集对应的流量类型。
[0245]
在一些实施例中，网络设备使用距离计算算法、dtw)和/或lcs等算法，获取第一流量的流量状态特征集与第一对应关系中的每个标准流量状态特征集之间的距离值。
[0246]
在一些实施例中，第二指定条件包括第一流量的流量状态特征集与第一标准流量状态特征集之间的第一距离值最小，和/或，第一流量的流量状态特征集与第一标准流量状态特征集之间的距离值小于第一距离阈值。所谓第一距离值最小是指第一距离值小于或等于第一流量的流量状态特征集与至少一个标准流量状态特征集中的每个标准流量状态特征集之间的距离值，该至少一个标准流量状态特征集包括第一对应关系中除第一标准流量特征集以外的每个标准流量状态特征集。
[0247]
在一些实施例中，在第一流量的流量状态特征集与第一标准流量状态特征集之间的相似度大于第二相似度阈值，将第一流量的流量状态特征集和第一流量的流量类型对应保存在第一对应关系中。或者，对于第一对应关系中的包括第一标准流量状态特征集的记录，将该记录中的第一标准流量状态特征替换为第一流量的流量状态特征集。其中，第二相似度阈值大于第一相似度阈值，从而可以完善第一对应关系。
[0248]
在一些实施例中，在第一流量的流量状态特征集与第一标准流量状态特征集之间的距离小于第二距离阈值，将第一流量的流量状态特征集和第一流量的流量类型对应保存在第一对应关系中。或者，对于第一对应关系中的包括第一标准流量状态特征集的记录，将该记录中的第一标准流量状态特征替换为第一流量的流量状态特征集。其中，第二距离阈值小于第一距离阈值，从而可以完善第一对应关系。
[0249]
第二种方式，网络设备基于第一流量的流量状态特征集和流量类型识别模型，识别第一流量的流量类型，该流量类型识别模型用于基于第一流量的流量状态特征集识别第一流量的流量类型。
[0250]
在第二种方式中，网络设备向流量类型识别模型输入第一流量的流量状态特征集，使流量类型识别模型基于第一流量的流量状态特征集识别第一流量的流量类型，获取流量类型识别模型输出的第一流量的流量类型。
[0251]
参见图1所示的网络架构100，该流量类型识别模型可能部署在网络设备上，或者，
可能部署在控制管理设备上，或者，参见图4，该网络架构100还包括类型识别设备，该流量类型识别模型可能部署在类型识别设备上。
[0252]
在一些实施例中，该流量类型识别模型部署在网络设备上，网络设备在本地基于第一流量的流量状态特征集和流量类型识别模型，识别第一流量的流量类型。或者，
[0253]
该流量类型识别模型部署在类型识别设备或控制管理设备上，网络设备向类型识别设备或控制管理设备发送第一流量的流量状态特征集。控制管理设备或类型识别设备基于第一流量的流量状态特征集和流量类型识别模型，识别第一流量的流量类型，向网络设备发送第一流量的流量类型。网络设备接收第一流量的流量类型。
[0254]
网络设备上的流量类型识别模型可能是网络设备训练得到的，或者，可能是技术人员在网络设备中安装的，或者，可能是控制管理设备或类型识别设备在网络设备上安装的。
[0255]
类型识别设备上的流量类型识别模型可能是类型识别设备训练得到的，或者，可能是技术人员在类型识别设备中安装的，或者，可能是控制管理设备在类型识别设备上安装的。
[0256]
控制管理设备上的流量类型识别模型可能是控制管理设备训练得到的，或者，可能是技术人员在控制管理设备中安装的，或者，可能是类型识别设备在控制管理设备上安装的。
[0257]
在一些实施例中，网络设备、类型识别设备或控制管理设备对智能模型进行训练得到流量类型识别模型，训练过程包括如下3131至3134的操作。该3131至3134的操作分别为：
[0258]
3131：获取多个训练样本，每个训练样本包括一个网络流量的标准流量状态特征集和第一流量类型，第一流量类型是已知的流量类型。
[0259]
在一些实施例中，参见图5，网络设备接收网络流量，获取网络流量的流量状态特征集，基于该流量状态特征集获取该网络流量的流量类型。即网络设备通过上述步骤301至303的操作获取网络流量的流量状态特征集和流量类型，将该网络流量的流量状态特征集和流量类型组成一个训练样本。网络设备重复通过上述步骤301至303的操作，获取多个流量的流量状态特征集和流量类型，从而能够得到多个训练样本，即得到训练样本库。然后，网络设备使用该多个训练样本训练待训练流量类型识别模型，之后，网络设备再接收网络流量后，获取该网络流量的流量状态特征集，基于获取的该流量状态特征集，通过训练的流量类型识别模型识别该网络流量的流量类型。还可以基于该流量状态特征集和该流量类型更新训练样本库。
[0260]
在一些实施例中，网络设备通过上述步骤301至303的操作获取第一流量的流量状态特征集和流量类型，向控制管理设备或类型识别设备发送第一流量的流量状态特征集和流量类型。控制管理设备或类型识别设备将第一流量的流量状态特征集和流量类型组成一个训练样本。控制管理设备或类型识别设备接收网络设备发送的多个流量的流量状态特征集和流量类型，从而能够得到多个训练样本，然后使用该多个训练样本训练出流量类型识别模型。之后，网络设备基于控制管理设备或类型识别设备训练的流量类型识别模型识别网络流量的流量类型。
[0261]
在一些实施例中，该多个训练样本可能是网络设备、类型识别设备或控制管理设
备从网络中下载的，或者，是技术人员在网络设备、类型识别设备或控制管理设备配置的。
[0262]
例如，网络设备下载如表1所示的第一对应关系，将第一对应关系中的每条记录作为一个训练样本。
[0263]
3132：基于待训练流量类型识别模型和每个训练样本中的标准流量状态特征集，获取每个训练样本对应的第二流量类型。
[0264]
对于每个训练样本，该训练样本对应的第二流量类型是待训练流量类型识别模型对该训练样本中的标准流量状态特征集进行处理后输出的流量类型。
[0265]
待训练流量类型识别模型包括卷积神经网络、随机森林算法、逻辑回归算法或支持向量机(support vector machine，svm)等。
[0266]
在3132操作中，将每个训练样本中的标准流量状态特征集输入到待训练流量类型识别模型中，使待训练流量类型识别模型基于每个训练样本中的标准流量状态特征集分别获取每个训练样本对应的第二流量类型，获取待训练流量类型识别模型输出的每个训练样本对应的第二流量类型。
[0267]
3133：基于每个训练样本中的第一流量类型和每个训练样本对应的第二流量类型，通过损失函数计算损失值，基于该损失值调整待训练流量类型识别模型的参数。
[0268]
3134：在确定继续对待训练流量类型识别模型进行训练时，返回3132操作，在确定不继续对待训练流量类型识别模型进行训练时，将待训练流量类型识别模型作为类型识别模型。
[0269]
在一些实施例中，当对待训练流量类型识别模型进行训练的次数达到指定次数时，确定不继续对待训练流量类型识别模型进行训练。或者，
[0270]
使用多个校验样本获取待训练流量类型识别模型识别流量类型的正确率，在该正确率超过指定正确率阈值，确定不继续对待训练流量类型识别模型进行训练。在实现时：
[0271]
获取多个校验样本，每个校验样本包括标准流量状态特征集和第一流量类型。基于每个校验样本中的标准流量状态特征集和待训练流量类型识别模型，获取每个校验样本对应的第二流量类型。基于每个校验样本中的第一流量类型和每个校验样本对应的第二流量类型，计算识别正确率。在该识别正确率未超过指定正确率阈值，确定继续对待训练流量类型识别模型进行训练，在该识别正确率超过指定正确率阈值，确定不继续对待训练流量类型识别模型进行训练。
[0272]
其中，对于每个校验样本，该校验样本包括一个网络流量的标准流量状态特征集和第一流量类型，第一流量类型是已知的流量类型。将该校验样本包括的标准流量状态特征集输入到待训练流量类型识别模型，使待训练流量类型识别模型基于该校验样本中的标准流量状态特征集分别校验样本对应的第二流量类型，获取待训练流量类型识别模型输出的该校验样本对应的第二流量类型，比较该校验样本中的第二流量类型和待训练流量类型识别模型输出的第二流量类型是否相同，得到该校验样本的比较结果。如果比较结果为二者相同，表示待训练流量类型识别模型正确识别出该网络流量的流量类型，如果比较结果为二者不同，表示待训练流量类型识别模型错误识别出该网络流量的流量类型。对每个校验样本按上述处理，得到每个校验样本的比较结果，基于每个校验样本的比较结果，计算识别正确率。
[0273]
在一些实施例中，参见图5，网络设备接收网络流量，获取网络流量的流量状态特
征集，基于该流量状态特征集获取该网络流量的流量类型。即网络设备通过上述步骤301至303的操作获取网络流量的流量状态特征集和流量类型，将该网络流量的流量状态特征集和流量类型组成一个校验样本。网络设备重复通过上述步骤301至303的操作，获取多个流量的流量状态特征集和流量类型，从而能够得到多个校验样本，即得到训练样本库。然后，网络设备使用该多个校验样本测量待训练流量类型识别模型的识别正确率。其中，对于网络设备获取的一个网络流量的流量状态特征集和流量类型，网络设备要么将该流量状态特征集和流量类型组成训练样本，要么将该流量状态特征集和流量类型组成校验样本。或者，将该流量状态特征集和流量类型组成训练样本以及将该流量状态特征集和流量类型组成校验样本。
[0274]
在一些实施例中，该多个校验样本可能是网络设备、类型识别设备或控制管理设备从网络中下载的，或者，是技术人员在网络设备、类型识别设备或控制管理设备配置的。
[0275]
例如，网络设备下载如表1所示的第一对应关系，将第一对应关系中的每条记录作为一个校验样本。
[0276]
在一些实施例中，网络设备还向控制管理设备发送第一流量的流量标识和流量类型。控制管理设备接收并保存第一流量的流量标识和流量类型。
[0277]
在本技术实施例中，由于第一流量的流量类型是基于第一流量的流量状态特征集获取的，流量状态特征集包括第一流量在多个时间段内的多个流量状态特征。而第一流量在任一个时间段内的流量状态特征，该流量状态特征用于反映与第一流量的流量内容无关的外在特点，所以该流量状态特征不需要基于第一流量的流量内容得到，即不需要基于第一流量包括的报文净荷获取流量状态特征，或者，不需要基于dns请求中的内容获取流量状态特征。如此，即使第一流量被加密或者在没有使用dns请求来请求第一流量的情况下，也能够成功获取流量状态特征，进而获取到第一流量的流量状态特征集，从而基于流量状态特征集能够成功并准确地获取第一流量的流量类型。另外，由于通过第一流量的流量状态特征集自动识别第一流量的流量类型，从而大幅提高识别流量类型的效率，降低成本。
[0278]
参见图6，本技术实施例提供了一种识别流量类型的方法600，所述方法600可以应用于图1、图2或图4所示的网络架构100，所述方法500的执行主体为所述网络架构100中的控制管理设备，包括：
[0279]
步骤601：控制管理设备获取第一流量的流量状态特征集，该流量状态特征集包括第一流量在多个时间段内的多个流量状态特征。
[0280]
在一些实施例中，控制管理设备接收网络设备发送的第一流量的流量状态特征集。
[0281]
网络设备获取第一流量的流量状态特征集的过程，可以参见上述图3所示方法300中的步骤301和步骤302中的相关内容，在此不再详细说明。
[0282]
在一些实施例中，控制管理设备接收网络设备发送的第一流量包括的每个报文的属性信息，基于第一流量包括的每个报文的属性信息，获取第一流量的流量状态特征集。
[0283]
网络设备获取第一流量包括的每个报文的属性信息，可以参见上述图3所示方法300中的步骤301中的相关内容，在此不再详细说明。以及，控制管理设备获取第一流量的流量状态特征集的过程，可以参见上述图3所示方法300中的步骤302中网络设备获取第一流量的流量状态特征集的相关内容，在此不再详细说明。
[0284]
步骤602：控制管理设备基于该流量状态特征集，识别第一流量的流量类型。
[0285]
控制管理设备识别第一流量的流量类型的过程，可以参见上述图3所示方法300中的步骤303中网络设备识别第一流量的流量类型的相关内容，在此不再详细说明。
[0286]
在本技术实施例中，由于第一流量的流量类型是控制管理设备基于第一流量的流量状态特征集获取的，流量状态特征集包括第一流量在多个时间段内的流量状态特征。对于第一流量在任一个时间段的流量状态特征，该流量状态特征用于反映与第一流量的流量内容无关的外在特点，所以该流量状态特征不需要基于第一流量的流量内容得到，即不需要基于第一流量包括的报文净荷获取流量状态特征，或者，不需要基于dns请求中的内容获取流量状态特征。如此，即使第一流量被加密或者在没有使用dns请求来请求第一流量的情况下，也能够成功获取流量状态特征，进而控制管理设备能够基于该流量状态特征集成功并准确地识别第一流量的流量类型。另外，由于通过第一流量的流量状态特征集自动识别第一流量的流量类型，从而大幅提高识别流量类型的效率，降低成本。
[0287]
参见图7，本技术实施例提供了一种识别流量类型的装置700，所述装置700可以部署在上述任意实施例提供的网络设备或控制管理设备上，例如部署在图1所示网络架构100中的图1、图2或图4所示的网络架构100中的控制管理设备101或网络设备102上，或图3所示方法300中的网络设备，或图6所示方法600中的控制管理设备上。所述装置700包括：
[0288]
处理单元701，用于获取第一流量的流量状态特征集，该流量状态特征集包括第一流量在多个时间段内的多个流量状态特征；
[0289]
处理单元701，还用于基于该流量状态特征集，识别第一流量的流量类型。
[0290]
在一些实施例中，处理单元701获取第一流量的流量状态特征集的详细实现过程，参见上述图3所示方法300的步骤302，图6所示方法600的步骤601中的相关内容，在此不再详细说明。
[0291]
在一些实施例中，处理单元701识别第一流量的流量类型的详细实现过程，参见上述图3所示方法300的步骤303，图6所示方法600的步骤602中的相关内容，在此不再详细说明。
[0292]
在一些实施例中，该多个时间段包括第一时间段，第一时间段内的流量状态特征用于描述第一流量在第一时间段内的状态特征。
[0293]
在一些实施例中，第一流量在第一时间段内的状态特征包括第一流量在第一时间段内的数据量特征，和/或，第一流量在第一时间段内的分布统计特征。
[0294]
在一些实施例中，第一流量在第一时间段内的状态特征包括第一流量在第一时间段内的数据量特征，第一流量在第一时间段内的数据量特征包括以下至少一项：数据标识、报文数量和报文长度，该报文数量用于统计第一时间段内属于第一流量的多个报文的数量，该报文长度用于统计第一时间段内属于第一流量的多个报文的报文长度，该数据标识用于指示该报文数量和/或该报文长度存在的关系。
[0295]
在一些实施例中，该报文数量包括上行报文数量和/或下行报文数量，该上行报文数量用于统计第一时间段内属于第一流量的上行报文的数量，该下行报文数量用于统计第一时间段内属于第一流量的下行报文的数量；
[0296]
该报文长度包括上行报文长度和/或下行报文长度，该上行报文长度用于统计第一时间段内属于第一流量的上行报文的长度之和，该下行报文长度用于统计第一时间段内
属于第一流量的下行报文的长度之和。
[0297]
在一些实施例中，处理单元701，用于基于第一流量的流量状态特征集和第一对应关系，识别第一流量的类型为第一流量类型，第一对应关系包括第一标准流量状态特征集和第一流量类型的对应关系。
[0298]
在一些实施例中，处理单元701识别第一流量的类型为第一流量类型的详细实现过程，参见上述图3所示方法300的步骤303，图6所示方法600的步骤602中的相关内容，在此不再详细说明。
[0299]
在一些实施例中，处理单元701，用于确定与第一流量的流量状态特征集匹配的第一标准流量状态特征集。
[0300]
在一些实施例中，处理单元701确定第一标准流量状态特征集的详细实现过程，参见上述图3所示方法300的步骤3032中的相关内容，在此不再详细说明。
[0301]
在一些实施例中，处理单元701，用于根据第一流量的流量状态特征集与第一对应关系中的每个标准流量状态特征集之间的相似度确定第一标准流量状态特征集。
[0302]
在一些实施例中，处理单元701确定第一标准流量状态特征集的详细实现过程，参见上述图3所示方法300的步骤3031-3032中的相关内容，在此不再详细说明。
[0303]
在一些实施例中，第一流量的流量状态特征集与第一标准流量状态特征集的第一相似度满足以下指定条件：
[0304]
第一相似度大于或等于第一相似度阈值，或
[0305]
第一相似度大于或等于第一流量的流量状态特征集与第二标准流量状态特征集中的每个标准流量状态特征集之间的相似度，第二标准流量状态特征集包括第一对应关系中除第一标准流量状态特征集以外的每个标准流量状态特征集。
[0306]
在一些实施例中，处理单元701，用于根据第一流量的流量状态特征集与第一对应关系中的每个标准流量状态特征集之间的距离值确定第一标准流量状态特征集。
[0307]
在一些实施例中，处理单元701基于距离值确定第一标准流量状态特征集的详细实现过程，参见上述图3所示方法300的步骤3032中的相关内容，在此不再详细说明。
[0308]
在一些实施例中，第一流量的流量状态特征集与第一标准流量状态特征集的第一距离值满足以下指定条件：
[0309]
第一距离值小于或等于第一距离阈值，或
[0310]
第一距离值小于或等于第一流量的流量状态特征集与第二标准流量状态特征集中的每个标准流量状态特征集之间的距离值，第二标准流量状态特征集包括第一对应关系中除第一标准流量特征集以外的每个标准流量状态特征集。
[0311]
在一些实施例中，处理单元701，还用于在第一流量的流量状态特征集与第一标准流量状态特征集之间的第一相似度大于或等于第二相似度阈值时，将第一流量的流量状态特征集和第一流量类型的对应关系保存在第一对应关系中。
[0312]
在一些实施例中，在第一流量的流量状态特征集与第一标准流量状态特征集之间的第一相似度大于或等于第二相似度阈值时，处理单元701将第一流量的流量状态特征集和第一流量类型的对应关系保存在第一对应关系中的详细实现过程，参见上述图3所示方法300的步骤3032中的相关内容，在此不再详细说明。
[0313]
在一些实施例中，处理单元701，还用于在第一流量的流量状态特征集与第一标准
流量状态特征集之间的第一距离值小于或等于第二距离阈值时，将第一流量的流量状态特征集和第一流量类型的对应关系保存在第一对应关系中。
[0314]
在一些实施例中，在第一流量的流量状态特征集与第一标准流量状态特征集之间的第一距离值小于或等于第二距离阈值时，处理单元701将第一流量的流量状态特征集和第一流量类型的对应关系保存在第一对应关系中的详细实现过程，参见上述图3所示方法300的步骤3032中的相关内容，在此不再详细说明。
[0315]
在一些实施例中，处理单元701，用于基于第一流量的流量状态特征集和流量类型识别模型，识别第一流量的流量类型。
[0316]
在一些实施例中，处理单元701基于第一流量的流量状态特征集和流量类型识别模型，识别第一流量的流量类型的详细实现过程，参见上述图3所示方法300的步骤303中的相关内容，在此不再详细说明。
[0317]
在一些实施例中，处理单元701，还用于基于多个训练样本，得到流量类型识别模型，每个训练样本包括一个网络流量的标准流量状态特征集和网络流量的流量类型。
[0318]
在一些实施例中，处理单元701基于多个训练样本，得到流量类型识别模型的详细实现过程，参见上述图3所示方法300的步骤3131至3134中的相关内容，在此不再详细说明。
[0319]
在一些实施例中，所述装置700还包括：
[0320]
发送单元702，用于向控制管理设备发送第一流量的流量类型和/或第一流量的流量状态特征集。
[0321]
在一些实施例中，发送单元702发送第一流量的流量类型和/或第一流量的流量状态特征集的详细实现过程，参见上述图3所示方法300的步骤303中的相关内容，在此不再详细说明。
[0322]
在一些实施例中，处理单元701，用于：
[0323]
获取第一时间段内属于第一流量的每个报文的属性信息，每个报文的属性信息包括以下至少一项：流量标识、接收时间、上行报文指示信息、下行报文指示信息和报文长度；
[0324]
基于每个报文的属性信息获取第一时间段内的流量状态特征。
[0325]
在一些实施例中，处理单元701获取每个报文的属性信息的详细实现过程，参见上述图3所示方法300的步骤301中的相关内容，在此不再详细说明。
[0326]
在一些实施例中，处理单元701基于每个报文的属性信息获取第一时间段内的流量状态特征的详细实现过程，参见上述图3所示方法300的步骤302中的相关内容，在此不再详细说明。
[0327]
在本技术实施例中，处理单元获取第一流量的流量状态特征集，该流量状态特征集包括第一流量在多个时间段内的多个流量状态特征；基于该流量状态特征集，识别第一流量的流量类型。其中，第一流量在每个时间段内的流量状态特征用于反映与第一流量的流量内容无关的外在特点，所以流量状态特征不需要处理单元基于第一流量的流量内容得到，即不需要处理单元基于第一流量包括的报文净荷获取流量状态特征，或者，不需要处理单元基于dns请求中的内容获取流量状态特征，该dns请求用于请求第一流量。如此，即使第一流量被加密或者在没有使用dns请求来请求第一流量的情况下，处理单元也能够成功获取第一流量的流量状态特征集，基于该流量状态特征能够成功识别第一流量的流量类型。另外，上述识别流量类型的过程是全自动化的过程，不需要人工干预，从而提高了识别流量
类型的效率和灵活性。
[0328]
参见图8，本技术实施例提供了一种流量类型识别模型的训练装置800，所述装置800可以部署在上述任意实施例提供的网络设备或控制管理设备上，例如部署在图1所示网络架构100中的图1、图2或图4所示的网络架构100中的控制管理设备101或网络设备102上，或图3所示方法300中的网络设备，或图6所示方法600中的控制管理设备上。所述装置800包括：
[0329]
获取单元801，用于获取多个训练样本，每个训练样本包括第一流量的流量状态特征集和第一流量的流量类型，该流量状态特征集包括第一流量在多个时间段内的多个流量状态特征；
[0330]
训练单元802，用于基于该多个训练样本进行模型训练，获得流量类型识别模型。
[0331]
在一些实施例中，获取单元801获取多个训练样本的详细实现过程，参见上述图3所示方法300的步骤3131中的相关内容，在此不再详细说明。
[0332]
在一些实施例中，训练单元802获得流量类型识别模型的详细实现过程，参见上述图3所示方法300的步骤3132-3134中的相关内容，在此不再详细说明。
[0333]
在一些实施例中，该多个时间段包括第一时间段，第一时间段内的流量状态特征用于描述第一流量在第一时间段内的状态特征。
[0334]
在一些实施例中，第一流量在第一时间段内的状态特征包括第一流量在第一时间段内的数据量特征，和/或，第一流量在第一时间段内的分布统计特征。
[0335]
在一些实施例中，第一流量在第一时间段内的数据量特征包括以下至少一项：数据标识、报文数量和报文长度，该报文数量用于统计第一时间段内属于第一流量的多个报文的数量，该报文长度用于统计第一时间段内属于第一流量的多个报文的报文长度，该数据标识用于指示该报文数量和/或该报文长度存在的关系。
[0336]
在一些实施例中，该报文数量包括上行报文数量和/或下行报文数量，该上行报文数量用于统计第一时间段内属于第一流量的上行报文的数量，该下行报文数量用于统计第一时间段内属于第一流量的下行报文的数量；
[0337]
该报文长度包括上行报文长度和/或下行报文长度，该上行报文长度用于统计第一时间段内属于第一流量的上行报文的长度之和，该下行报文长度用于统计第一时间段内属于第一流量的下行报文的长度之和。
[0338]
在本技术实施例中，获取单元获取多个训练样本，每个训练样本包括第一流量的流量状态特征集和第一流量的流量类型，该流量状态特征集包括第一流量在多个时间段内的多个流量状态特征。训练单元基于该多个训练样本进行模型训练，获得流量类型识别模型。由于训练单元通过该多个训练样本训练出的流量类型识别模型具有识别流量类型的功能，所以在接收到网络流量后，获取网络流量的流量状态特征集，基于该流量状态特征集和类型识别模型，便可以准确并自动地识别该网络流量的流量类型。训练样本包括第一流量的流量状态特征集，该流量状态特征集用于反映与第一流量的流量内容无关的外在特点，所以对于训练出来的流量类型识别模型，在使用该流量类型识别模型识别网络流量的流量类型时不需要使用网络流量的流量内容。如此，即使需要识别的网络流量被加密或者在没有使用dns请求来请求该网络流量的情况下，使用该流量类型识别模型也能够成功识别流量类型。
[0339]
参见图9，本技术实施例提供了一种识别流量类型的系统900，所述系统900包括：
[0340]
流量状态特征获取模块901，用于获取第一流量的流量状态特征集，该流量状态特征集包括第一流量在多个时间段内的多个流量状态特征；
[0341]
流量类型识别模块902，用于基于该流量状态特征集，识别第一流量的流量类型。
[0342]
在一些实施例中，流量状态特征获取模块901和流量类型识别模块902部署在网络设备上，或者，流量状态特征获取模块901部署在网络设备以及流量类型识别模块902部署在控制管理设备上，或者，流量状态特征获取模块901和流量类型识别模块902部署在控制管理设备上。
[0343]
在一些实施例中，流量状态特征获取模块901获取第一流量的流量状态特征集的详细实现过程，参见上述图3所示方法300的步骤302，图6所示方法600的步骤601中的相关内容，在此不再详细说明。
[0344]
在一些实施例中，流量类型识别模块902识别第一流量的流量类型的详细实现过程，参见上述图3所示方法300的步骤303，图6所示方法600的步骤602中的相关内容，在此不再详细说明。
[0345]
在一些实施例中，该多个时间段包括第一时间段，第一时间段内的流量状态特征用于描述第一流量在第一时间段内的状态特征。
[0346]
在一些实施例中，第一流量在第一时间段内的状态特征包括第一流量在第一时间段内的数据量特征，和/或，第一流量在第一时间段内的分布统计特征。
[0347]
在一些实施例中，第一流量在第一时间段内的状态特征包括第一流量在第一时间段内的数据量特征，第一流量在第一时间段内的数据量特征包括以下至少一项：数据标识、报文数量和报文长度，该报文数量用于统计第一时间段内属于第一流量的多个报文的数量，该报文长度用于统计第一时间段内属于第一流量的所述多个报文的报文长度，该数据标识用于指示该报文数量和/或该报文长度存在的关系。
[0348]
在一些实施例中，该报文数量包括上行报文数量和/或下行报文数量，该上行报文数量用于统计第一时间段内属于第一流量的上行报文的数量，该下行报文数量用于统计第一时间段内属于第一流量的下行报文的数量；
[0349]
该报文长度包括上行报文长度和/或下行报文长度，该上行报文长度用于统计第一时间段内属于第一流量的上行报文的长度之和，该下行报文长度用于统计第一时间段内属于第一流量的下行报文的长度之和。
[0350]
在一些实施例中，流量类型识别模块902，用于基于第一流量的流量状态特征集和第一对应关系，识别第一流量的类型为第一流量类型，第一对应关系包括第一标准流量状态特征集和第一流量类型的对应关系。
[0351]
在一些实施例中，流量类型识别模块902识别第一流量的类型为第一流量类型的详细实现过程，参见上述图3所示方法300的步骤303，图6所示方法600的步骤602中的相关内容，在此不再详细说明。
[0352]
在一些实施例中，流量类型识别模块902，用于确定与第一流量的流量状态特征集匹配的第一标准流量状态特征集。
[0353]
在一些实施例中，流量类型识别模块902确定第一标准流量状态特征集的详细实现过程，参见上述图3所示方法300的步骤3032中的相关内容，在此不再详细说明。
[0354]
在一些实施例中，流量类型识别模块902，用于根据第一流量的流量状态特征集与第一对应关系中的每个标准流量状态特征集之间的相似度确定第一标准流量状态特征集。
[0355]
在一些实施例中，第一流量的流量状态特征集与第一标准流量状态特征集的第一相似度满足以下指定条件：
[0356]
第一相似度大于或等于第一相似度阈值，或
[0357]
第一相似度大于或等于所述第一流量的流量状态特征集与第二标准流量状态特征集中的每个标准流量状态特征集之间的相似度，第二标准流量状态特征集包括第一对应关系中除第一标准流量状态特征集以外的每个标准流量状态特征集。
[0358]
在一些实施例中，流量类型识别模块902，用于根据第一流量的流量状态特征集与第一对应关系中的每个标准流量状态特征集之间的距离值确定第一标准流量状态特征集。
[0359]
在一些实施例中，流量类型识别模块902确定第一标准流量状态特征集的详细实现过程，参见上述图3所示方法300的步骤3031-3032中的相关内容，在此不再详细说明。
[0360]
在一些实施例中，第一流量的流量状态特征集与第一标准流量状态特征集的第一距离值满足以下指定条件：
[0361]
第一距离值小于或等于第一距离阈值，或
[0362]
第一距离值小于或等于第一流量的流量状态特征集与第二标准流量状态特征集中的每个标准流量状态特征集之间的距离值，第二标准流量状态特征集包括第一对应关系中除第一标准流量特征集以外的每个标准流量状态特征集。
[0363]
在一些实施例中，所述系统900还包括：
[0364]
第一保存模块903，用于在第一流量的流量状态特征集与第一标准流量状态特征集之间的第一相似度大于或等于第二相似度阈值时，将第一流量的流量状态特征集和第一流量类型的对应关系保存在第一对应关系中。
[0365]
在一些实施例中，在第一流量的流量状态特征集与第一标准流量状态特征集之间的第一相似度大于或等于第二相似度阈值时，第一保存模块903将第一流量的流量状态特征集和第一流量类型的对应关系保存在第一对应关系中的详细实现过程，参见上述图3所示方法300的步骤3032中的相关内容，在此不再详细说明。
[0366]
在一些实施例中，第一保存模块903部署在网络设备、控制管理设备或存储设备上。例如部署在图1或图2所示网络架构100的控制管理设备101或网络设备102上，或部署在图2所示网络架构100的存储设备103上。
[0367]
在一些实施例中，所述系统900还包括：
[0368]
第二保存模块904，用于在第一流量的流量状态特征集与第一标准流量状态特征集之间的第一距离值小于或等于第二距离阈值时，将第一流量的流量状态特征集和第一流量类型的对应关系保存在第一对应关系中。
[0369]
在一些实施例中，第二保存模块904部署在网络设备、控制管理设备或存储设备上。例如部署在图1或图2所示网络架构100的控制管理设备101或网络设备102上，或部署在图2所示网络架构100的存储设备103上。
[0370]
在一些实施例中，在第一流量的流量状态特征集与第一标准流量状态特征集之间的第一距离值小于或等于第二距离阈值时，第二保存模块904将第一流量的流量状态特征集和第一流量类型的对应关系保存在第一对应关系中的详细实现过程，参见上述图3所示
方法300的步骤3032中的相关内容，在此不再详细说明。
[0371]
在一些实施例中，流量类型识别模块902，用于基于第一流量的流量状态特征集和流量类型识别模型，识别第一流量的流量类型。
[0372]
在一些实施例中，流量类型识别模块902基于第一流量的流量状态特征集和流量类型识别模型，识别第一流量的流量类型的详细实现过程，参见上述图3所示方法300的步骤303中的相关内容，在此不再详细说明。
[0373]
在一些实施例中，所述系统900还包括：
[0374]
训练模块905，用于基于多个训练样本，得到流量类型识别模型，每个训练样本包括一个网络流量的标准流量状态特征集和网络流量的流量类型。
[0375]
在一些实施例中，训练模块905部署在网络设备、控制管理设备或类型识别设备上。例如部署在图1或图2所示网络架构100的控制管理设备101或网络设备102上，或部署在图3所示网络架构100的类型识别设备上。
[0376]
在一些实施例中，训练模块905基于多个训练样本，得到流量类型识别模型的详细实现过程，参见上述图3所示方法300的步骤3131至3134中的相关内容，在此不再详细说明。
[0377]
在一些实施例中，所述系统900还包括：
[0378]
发送模块906，用于向控制管理设备发送第一流量的流量类型和/或第一流量的流量状态特征集。
[0379]
在一些实施例中发送模块906部署在网络设备上。例如部署在图1、图2或图3所示网络架构100的网络设备102上。
[0380]
在一些实施例中，发送模块906发送第一流量的流量类型和/或第一流量的流量状态特征集的详细实现过程，参见上述图3所示方法300的步骤303中的相关内容，在此不再详细说明。
[0381]
在一些实施例中，流量状态特征获取模块901，用于：
[0382]
获取第一时间段内属于第一流量的每个报文的属性信息，每个报文的属性信息包括以下至少一项：流量标识、接收时间、上行报文指示信息、下行报文指示信息和报文长度；
[0383]
基于每个报文的属性信息获取第一时间段内的流量状态特征。
[0384]
在一些实施例中，流量状态特征获取模块901获取每个报文的属性信息的详细实现过程，参见上述图3所示方法300的步骤301中的相关内容，在此不再详细说明。
[0385]
在一些实施例中，流量状态特征获取模块901基于每个报文的属性信息获取第一时间段内的流量状态特征的详细实现过程，参见上述图3所示方法300的步骤302中的相关内容，在此不再详细说明。
[0386]
在本技术实施例中，流量状态特征获取模块获取第一流量的流量状态特征集，该流量状态特征集包括第一流量在多个时间段内的多个流量状态特征；流量类型识别模块基于该流量状态特征集，识别第一流量的流量类型。其中，第一流量在每个时间段内的流量状态特征用于反映与第一流量的流量内容无关的外在特点，所以流量状态特征不需要流量状态特征获取模块基于第一流量的流量内容得到，即不需要流量状态特征获取模块基于第一流量包括的报文净荷获取流量状态特征，或者，不需要处理单元基于dns请求中的内容获取流量状态特征，该dns请求用于请求第一流量。如此，即使第一流量被加密或者在没有使用dns请求来请求第一流量的情况下，流量状态特征获取模块也能够成功获取第一流量的流
量状态特征集，流量类型识别模块基于该流量状态特征能够成功识别第一流量的流量类型。另外，上述识别流量类型的过程是全自动化的过程，不需要人工干预，从而提高了识别流量类型的效率和灵活性。
[0387]
参见图10，本技术实施例提供了一种流量类型识别模型的训练系统1000，所述系统1000包括：
[0388]
训练样本获取模块1001，用于获取多个训练样本，每个训练样本包括第一流量的流量状态特征集和第一流量的流量类型，该流量状态特征集包括第一流量在多个时间段内的多个流量状态特征；
[0389]
训练模块1002，用于基于该多个训练样本进行模型训练，获得流量类型识别模型。
[0390]
在一些实施例中，训练样本获取模块1001获取多个训练样本的详细实现过程，参见上述图3所示方法300的步骤3131中的相关内容，在此不再详细说明。
[0391]
在一些实施例中，训练模块1002获得流量类型识别模型的详细实现过程，参见上述图3所示方法300的步骤3132-3134中的相关内容，在此不再详细说明。
[0392]
在一些实施例中，训练样本获取模块1001和训练模块1002部署在网络设备、控制管理设备或类型识别设备上。例如部署在图1或图2所示网络架构100的控制管理设备101或网络设备102上，或部署在图3所示网络架构100的类型识别设备上。
[0393]
在一些实施例中，训练样本获取模块1001部署在网络设备，训练模块1002部署在控制管理设备或类型识别设备上。例如训练样本获取模块1001部署在图1或图2所示网络架构100的网络设备102上。训练模块1002部署在图1或图2所示网络架构100的控制管理设备101上，或部署在图3所示网络架构100的类型识别设备上。
[0394]
在一些实施例中，多个时间段包括第一时间段，第一时间段内的流量状态特征用于描述第一流量在第一时间段内的状态特征。
[0395]
在一些实施例中，第一流量在第一时间段内的状态特征包括第一流量在第一时间段内的数据量特征，和/或，第一流量在第一时间段内的分布统计特征。
[0396]
在一些实施例中，第一流量在第一时间段内的数据量特征包括以下至少一项：数据标识、报文数量和报文长度，该报文数量用于统计第一时间段内属于第一流量的多个报文的数量，该报文长度用于统计第一时间段内属于第一流量的多个报文的报文长度，该数据标识用于指示该报文数量和/或该报文长度存在的关系。
[0397]
在一些实施例中，该报文数量包括上行报文数量和/或下行报文数量，该上行报文数量用于统计第一时间段内属于第一流量的上行报文的数量，该下行报文数量用于统计第一时间段内属于第一流量的下行报文的数量；
[0398]
该报文长度包括上行报文长度和/或下行报文长度，该上行报文长度用于统计第一时间段内属于第一流量的上行报文的长度之和，该下行报文长度用于统计第一时间段内属于第一流量的下行报文的长度之和。
[0399]
在本技术实施例中，训练样本获取模块获取多个训练样本，每个训练样本包括第一流量的流量状态特征集和第一流量的流量类型，该流量状态特征集包括第一流量在多个时间段内的多个流量状态特征。训练模块基于该多个训练样本进行模型训练，获得流量类型识别模型。由于训练模块通过该多个训练样本训练出的流量类型识别模型具有识别流量类型的功能，所以在接收到网络流量后，获取该网络流量的流量状态特征集，基于该流量状
态特征集和类型识别模型，便可以准确并自动地识别该网络流量的流量类型。训练样本包括第一流量的流量状态特征集，该流量状态特征集用于反映与第一流量的流量内容无关的外在特点，所以对于训练出来的流量类型识别模型，在使用该流量类型识别模型识别网络流量的流量类型时不需要使用网络流量的流量内容。如此，即使需要识别的网络流量被加密或者在没有使用dns请求来请求该网络流量的情况下，使用该流量类型识别模型也能够成功识别流量类型。
[0400]
参见图11，本技术实施例提供了一种识别流量类型的设备1100示意图。所述设备1100可以是上述任意实施例提供的设备上，例如，可以是图1、图2或图4所示网络架构100中的控制管理设备101或网络设备102，或图3所示方法300中的网络设备，或图6所示方法600中的控制管理设备。所述设备1100包括至少一个处理器1101，内部连接1102，存储器1103以及至少一个网络接口1104。
[0401]
所述设备1100是一种硬件结构的装置。
[0402]
在一些实施例中，可以用于实现图7所述的装置700中的功能模块。例如，本领域技术人员可以想到图7所示的装置700中的处理单元701可以通过该至少一个处理器1101调用存储器1103中的代码来实现，图7所示的装置700中的发送单元702可以通过该至少一个网络接口1104来实现。或者，
[0403]
在一些实施例中，存储器1103用于存放程序模块和数据。所述程序模块包括处理模块11031、发送模块11032和接收模块11033。在一些实施例中，图11中存储器1103中的各个模块分别和图7所示的各个模块相对应，处理器1101通过执行存储器1103中的各个模块中的计算机可读指令，能够执行图7所示的各个模块所能够执行的操作。
[0404]
所述设备1100还可以用于实现上述任一实施例中网元的功能。
[0405]
上述处理器1101例如是通用中央处理器(central processing unit，cpu)、数字信号处理器(digital signal processor，dsp)、网络处理器(network processer，np)、图形处理器(graphics processing unit，gpu)、神经网络处理器(neural-network processing units，npu)、数据处理单元(data processing unit，dpu)、微处理器或者一个或多个用于实现本技术方案的集成电路。例如，处理器1101包括专用集成电路(application-specific integrated circuit，asic)，可编程逻辑器件(programmable logic device，pld)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。pld例如是复杂可编程逻辑器件(complex programmable logic device，cpld)、现场可编程逻辑门阵列(field-programmable gate array，fpga)、通用阵列逻辑(generic array logic，gal)或其任意组合。其可以实现或执行结合本技术实施例公开内容所描述的各种逻辑方框、模块和电路。所述处理器也可以是实现计算功能的组合，例如包括一个或多个微处理器组合，dsp和微处理器的组合等等。
[0406]
上述内部连接1102可包括一通路，在上述组件之间传送信息。内部连接1102可以为单板或总线等。总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0407]
上述至少一个网络接口1104使用任何收发器一类的装置，用于与其它设备或通信
网络通信，通信网络可以为以太网、无线接入网或无线局域网(wireless local area networks，wlan)等。网络接口1104可以包括有线通信接口，还可以包括无线通信接口。具体的，网络接口1104可以为以太接口、快速以太(fast ethernet，fe)接口、千兆以太(gigabit ethernet，ge)接口，异步传输模式(asynchronous transfer mode，atm)接口，无线局域网wlan接口，蜂窝网络通信接口或其组合。以太网接口可以是光接口，电接口或其组合。在本技术实施例中，网络接口1104可以用于所述设备1100与其他设备进行通信。
[0408]
上述存储器1103可以是只读存储器(read-only memory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，ram)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器1103也可以和处理器1101集成在一起。
[0409]
在具体实现中，作为一种实施例，处理器1101可以包括一个或多个cpu，例如图11中的cpu0和cpu1。这些cpu中的每一个可以是一个单核处理器，也可以是一个多核处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
[0410]
在具体实现中，作为一种实施例，所述设备1100可以包括多个处理器，例如图11中的处理器1101和处理器1107。这些处理器中的每一个可以是一个单核(single-cpu)处理器，也可以是一个多核(multi-cpu)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
[0411]
在具体实现中，作为一种实施例，所述设备1100还可以包括输出设备和输入设备。输出设备和处理器1101通信，可以以多种方式来显示信息。例如，输出设备可以是液晶显示器(liquid crystal display，lcd)、发光二级管(light emitting diode，led)显示设备、阴极射线管(cathode ray tube，crt)显示设备或投影仪等。输入设备和处理器1101通信，可以以多种方式接收用户的输入。例如，输入设备可以是鼠标、键盘、触摸屏设备或传感设备等。
[0412]
在具体实施例中，本技术实施例的所述设备1100可对应于上述多个实施例，例如与图1、图2、图3、图4和图6对应的多个实施例中的控制管理设备或网络设备，所述设备1100中的处理器1101读取存储器1103中的指令，使图11所示的设备1100能够执行上述多个实施例中控制管理设备或网络设备的全部或部分操作。
[0413]
参见图12，本技术实施例提供了一种流量类型识别模型的训练设备1200示意图。所述设备1200可以是上述任意实施例提供的设备上，例如，可以是图1、图2或图4所示网络架构100中的控制管理设备101或网络设备102，或图3所示方法300中的网络设备，或图6所示方法600中的控制管理设备。所述设备1200包括至少一个处理器1201，内部连接1202，存储器1203以及至少一个网络接口1204。
[0414]
所述设备1200是一种硬件结构的装置。
[0415]
在一些实施例中，可以用于实现图8所述的装置800中的功能模块。例如，本领域技术人员可以想到图8所示的装置800中的获取单元801和训练单元802可以通过该至少一个处理器1201调用存储器1203中的代码来实现。或者，
[0416]
在一些实施例中，存储器1203用于存放程序模块和数据。所述程序模块包括处理模块12031、发送模块12032和接收模块12033。在一些实施例中，图12中存储器1203中的各个模块分别和图8所示的各个模块相对应，处理器1201通过执行存储器1203中的各个模块中的计算机可读指令，能够执行图8所示的各个模块所能够执行的操作。
[0417]
所述设备1200还可以用于实现上述任一实施例中网元的功能。
[0418]
上述处理器1201例如是通用中央处理器(central processing unit，cpu)、数字信号处理器(digital signal processor，dsp)、网络处理器(network processer，np)、图形处理器(graphics processing unit，gpu)、神经网络处理器(neural-network processing units，npu)、数据处理单元(data processing unit，dpu)、微处理器或者一个或多个用于实现本技术方案的集成电路。例如，处理器1201包括专用集成电路(application-specific integrated circuit，asic)，可编程逻辑器件(programmable logic device，pld)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。pld例如是复杂可编程逻辑器件(complex programmable logic device，cpld)、现场可编程逻辑门阵列(field-programmable gate array，fpga)、通用阵列逻辑(generic array logic，gal)或其任意组合。其可以实现或执行结合本技术实施例公开内容所描述的各种逻辑方框、模块和电路。所述处理器也可以是实现计算功能的组合，例如包括一个或多个微处理器组合，dsp和微处理器的组合等等。
[0419]
上述内部连接1202可包括一通路，在上述组件之间传送信息。内部连接1202可以为单板或总线等。总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图12中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0420]
上述至少一个网络接口1204使用任何收发器一类的装置，用于与其它设备或通信网络通信，通信网络可以为以太网、无线接入网或无线局域网(wireless local area networks，wlan)等。网络接口1204可以包括有线通信接口，还可以包括无线通信接口。具体的，网络接口1204可以为以太接口、快速以太(fast ethernet，fe)接口、千兆以太(gigabit ethernet，ge)接口，异步传输模式(asynchronous transfer mode，atm)接口，无线局域网wlan接口，蜂窝网络通信接口或其组合。以太网接口可以是光接口，电接口或其组合。在本技术实施例中，网络接口1204可以用于所述设备1200与其他设备进行通信。
[0421]
上述存储器1203可以是只读存储器(read-only memory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，ram)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但
不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器1203也可以和处理器1201集成在一起。
[0422]
在具体实现中，作为一种实施例，处理器1201可以包括一个或多个cpu，例如图12中的cpu0和cpu1。这些cpu中的每一个可以是一个单核处理器，也可以是一个多核处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
[0423]
在具体实现中，作为一种实施例，所述设备1200可以包括多个处理器，例如图12中的处理器1201和处理器1207。这些处理器中的每一个可以是一个单核(single-cpu)处理器，也可以是一个多核(multi-cpu)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
[0424]
在具体实现中，作为一种实施例，所述设备1200还可以包括输出设备和输入设备。输出设备和处理器1201通信，可以以多种方式来显示信息。例如，输出设备可以是液晶显示器(liquid crystal display，lcd)、发光二级管(light emitting diode，led)显示设备、阴极射线管(cathode ray tube，crt)显示设备或投影仪等。输入设备和处理器1201通信，可以以多种方式接收用户的输入。例如，输入设备可以是鼠标、键盘、触摸屏设备或传感设备等。
[0425]
在具体实施例中，本技术实施例的所述设备1200可对应于上述多个实施例，例如与图1、图2、图3、图4和图6对应的多个实施例中的控制管理设备或网络设备，所述设备1200中的处理器1201读取存储器1203中的指令，使图12所示的设备1200能够执行上述多个实施例中控制管理设备或网络设备的全部或部分操作。
[0426]
本技术的说明书和权利要求书及上述附图中的操作顺序，不限于描述中特定的顺序或先后次序。应该理解这样使用的数据在适当情况下同时进行或可以改变顺序，以便描述的实施例能够以除了在附图中的图示或描述的内容以外的顺序实施。
[0427]
需要说明的是，以上实施例中描述的表格的作用是便于理解和增强可读性，不表示在实际的设备或装置中存在上述实施例中的表格。
[0428]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0429]
以上所述仅为本技术的可选实施例，并不用以限制本技术，凡在本技术的原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。