[发明专利]一种基于知识蒸馏的数据包分类方法及相关装置

权利要求书

1.一种基于知识蒸馏的数据包分类方法，其特征在于，所述的方法包括：

基于经过训练的教师模型，确定预设训练集中的各训练数据包各自对应的类别概率向量；

基于各训练数据包及其对应的属性数据和类别概率向量构建二进制决策树模型，其中，所述属性数据为基于训练数据包的二进制数据包头确定的；

根据所述二进制决策树模型生成用于数据包分类的三元匹配流表；

将所述三元匹配流表部署于可编程交换机，并通过所述可编程交换机对数据包进行分类。

2.根据权利要求1所述的基于知识蒸馏的数据包分类方法，其特征在于，所述二进制决策树模型中的各叶节点均对应有目标分类类别。

3.根据权利要求1所述的基于知识蒸馏的数据包分类方法，其特征在于，所述基于各训练数据包及其对应的属性数据和类别概率向量构建二进制决策树模型具体包括：

将各训练数据包及其对应的类别概率向量构成的训练数据集作为目标训练集，并将各训练数据包对应的属性数据构成的属性数据集作为目标属性数据集；

基于所述目标属性数据集确定目标属性位，并基于所述目标属性位将所述目标训练集中的各训练数据包划分至两个节点上；

对于两个节点中所包括的训练数据包的数量小于预设数量阈值的第一节点，将所述节点作为叶节点，并基于所述叶节点所包括的各训练数据包各自对应的类别概率向量确定所述叶节点对应的目标分类类别；

对于两个节点中所包括的训练数据包的数量大于或者等于预设数量阈值的第二节点，将所述目标属性数据集中的各属性数据中位于目标属性位的属性元素去除以得到候选属性数据；

将所述第二节点所包括的各训练数据包以其对应的类别概率向量所形成的训练数据作为目标数据集，将所述第二节点所包括的各训练数据包各自对应的候选属性数据所形成的属性数据集作为目标属性数据集；

继续执行基于所述目标属性数据集确定目标属性位的步骤，直至将所述预设训练集中的各训练数据包均划分至叶节点内。

4.根据权利要求3所述的基于知识蒸馏的数据包分类方法，其特征在于，所述基于所述目标属性数据集确定目标属性位之前，所述方法还包括：

检测所述目标属性数据集是否满足预设条件，其中，所述预设条件为所述目标属性数据集不为空，且所述目标属性数据集至少存在两个互不相同的属性数据；

若所述目标属性数据集满足预设条件，则执行基于所述目标属性数据集确定目标属性位的步骤；

若所述目标属性数据集不满足预设条件，则将所述目标训练集所属的节点作为叶节点，并基于所述叶节点所包括的各训练数据包各自对应的类别概率向量确定所述叶节点对应的目标分类类别。

5.根据权利要求3或4所述的基于知识蒸馏的数据包分类方法，其特征在于，所述基于所述目标属性数据集确定目标属性位之前，所述方法还包括：

基于所述目标训练集中的各训练数据包各自对应的类别概率向量确定各训练数据包对应的预测类别；

若各训练数据包对应的预测类别全相同，则将所述目标训练集所属的节点作为叶节点，并将所述预测类别作为所述叶节点对应的目标分类类别；

若各训练数据包对应的预测类别不全相同，则执行基于所述目标属性数据集确定目标属性位的步骤。

6.根据权利要求3或4所述的基于知识蒸馏的数据包分类方法，其特征在于，所述基于所述叶节点所包括的各训练数据包各自对应的类别概率向量确定所述叶节点对应的目标分类类别具体包括：

获取所述叶节点所包括的各训练数据包各自对应的类别概率向量的平均类别概率向量；

将所述平均类别概率向量中的最大向量元素所对应的类别作为所述叶节点对应的目标分类类别。