[发明专利]一种基于智能流量分类的信息传输调度方法及系统

说明书

本发明公开了一种基于智能流量分类的信息传输调度方法及系统，该方法包括以下步骤：S1，准备训练数据；S2，构建神经网络；S3，训练神经网络；S4，划分流量类别；S5，进行流量传输调度。本发明解决了现有技术存在的容易出现局部负载失衡、物联网高优先级数据类型无法识别、网络资源分配保障不到位、稳定性差、难以满足用户的不同服务质量需求等问题。

技术领域

本发明涉及人工智能物联网领域技术领域，具体是一种基于智能流量分类的信息传输调度方法及系统。

背景技术

根据分类方式的不同，网络流量分类方法可分为基于端口匹配的分类方法、基于深度包检测的分类方法和基于机器学习的分类方法。

基于端口匹配的分类方法是最早的网络流量分类方法，也是最简单方便的分类方法，主要是从获取的流量数据中提取出端口号，根据端口号分类映射到相应的应用，从而达到分类效果。这种分类方法十分高效，时间复杂度和空间复杂度低，易于扩展，但缺点也显而易见，由于过于依赖端口进行分类，随着应用种类增多，越来越多的应用使用随机端口或者非标准端口，加大了基于端口进行分类的难度。因此，如今基于端口的网络流量分类方法已经逐渐被淘汰，只能用于辅助分类。

基于深度包检测(Deep Packet Inspection，DPI))的分类方法，主要是通过检测应用层的有效负载内容，识别出其与已知的应用或协议相匹配的特殊字符串，因此又分为基于字符串的匹配和正则表达式匹配。DPI技术相较于传统的端口匹配方法，不再需要根据特定的端口号进行匹配，从而规避了随机端口和非标准端口的影响，提高了分类的准确率。但是DPI分类方法需要检测每个流量数据包的有效载荷内容，因此也存在用户隐私的相关问题，同时对于加密流量数据也不能发挥很好的作用，这使得基于深度包检测的分类方法在很多网络流量分类问题上不能够很好地实现。

基于机器学习的分类方法近年来比较流行的分类方法，主要利用流量数据特征和机器学习算法来建立流量特征和流量数据样本类别之间的关系，进而识别不同的流量类别。目前常用的机器学习算法有朴素贝叶斯、决策树、K-最邻近、支持向量机等，这些方法的主要过程都是先建立分类模型，然后用分类模型对新的样本分类，其中，决策树算法对网络流量分类有较高的准确率。

深度学习是目前机器学习学科发展最蓬勃的分支，也是整个人工智能领域应用前景最为广阔的技术。卷积神经网络作为深度学习中极具代表性的网络结构，能够很好地实现特征数据到标签类别的翻译。因此，使用深度学习进行网络流量分类，是一个可行且十分高效的方法。

由于目前的传感器节点与用户分布均匀，链路带宽状态各异，导致物联网中容易出现局部的负载失衡现象，物联网高优先级数据类型无法识别，网络资源分配保障不到位，不同服务质量(Quality of Service)需求的用户无法得到满足的问题。

发明内容

为克服现有技术的不足，本发明提供了一种基于智能流量分类的信息传输调度方法及系统，解决现有技术存在的容易出现局部负载失衡、物联网高优先级数据类型无法识别、网络资源分配保障不到位、稳定性差、难以满足用户的不同服务质量需求等问题。

本发明解决上述问题所采用的技术方案是：

一种基于智能流量分类的信息传输调度方法，包括以下步骤：

S1，准备训练数据：将网络流量数据集制作成流量特征训练集，作为神经网络的输入；

S2，构建神经网络：使用分类网络，建立前面所有层与后面层的短连接，构建神经网络；

S3，训练神经网络：将步骤S1中的流量特征训练集作为神经网络输入，输入到神经网络中进行训练，得到流量分类模型；

S4，划分流量类别：根据流量分类模型对待处理流量数据进行分类；