[发明专利]编码级多媒体流分类方法

权利要求书

1.一种编码级多媒体流分类方法，其特征在于，所述方法至少包括以下步骤：

1）采集流，通过分类得到该流的编码类型，并分析该流的统计特征；所述该流的编码类型和获得的各个统计特征的数值构成一样本；所述样本构成数据集；所述统计特征包括平均报文长度、平均包间间隔、报文长度标准差、包间间隔标准差和平均比特率；

2）从所述数据集中划分出训练集，并采用所述训练集训练流分类器，得到编码级多媒体流分类器；

3）采用所述编码级多媒体流分类器对待分类流的统计特征进行分析，得到所述待分类流的编码类别。

2.根据权利要求1所述的编码级多媒体流分类方法，其特征在于：于所述步骤3)中，在采用所述编码级多媒体流分类器对待分类流的统计特征进行分析之前还包括如下步骤：路由器接收报文并利用该报文的五元组从其维护的流表中查找该报文所属的流，若无法找到，则在流表中新建待分类流，并等待下一个报文；若能够找到，则接着判断该流是否已分类，若已分类，则获取该流编码类型并等待下一个报文，若未分类，则将该流汇聚，并更新计数器，然后判断该待分类流报文数量是否达到窗口大小，若未达到，则继续等待下一个报文，若达到窗口大小，则将该待分类流的统计特征输入所述编码级多媒体流分类器。

3.根据权利要求2所述的编码级多媒体流分类方法，其特征在于：所述五元组包括源IP地址、源端口、目的IP地址、目的端口和传输层协议。

4.根据权利要求2所述的编码级多媒体流分类方法，其特征在于：所述窗口大小为整数，其取值范围是10~25。

5.根据权利要求1或2所述的编码级多媒体流分类方法，其特征在于：于所述步骤2）中，采用机器学习算法训练分类器。

6.根据权利要求5所述的编码级多媒体流分类方法，其特征在于：所述机器学习算法包括C4.5决策树算法、KNN算法和朴素贝叶斯算法中的任意一种。