-
公开(公告)号：CN100558058C
公开(公告)日：2009-11-04
申请号：CN200710190188.0
申请日：2007-11-20
Applicant: 东南大学
Abstract: 一种基于流集合随机抽样的报文测量方法，将测量时间区间分为若干子区间，为每个子区间分配一个不同的匹配比特串，在每个子区间中采用随机抽样网络流抽样报文，抽样过程中使用该子区间被分配的匹配比特串匹配网络流标识的哈希值，该过程中采用一个哈希函数处理所有的报文流标识以生成哈希值比特串，这个哈希函数的输入为报文流标识，输出为和匹配比特串长度相同的哈希值比特串，将该子区间被分配的匹配比特串和输出的哈希值比特串之间进行比较，如果两个比特串相同，则该报文被抽样，否则这个报文将被丢弃。本方法在每个子区间只测量其中一个网络流子空间的报文信息，在整个测量时间区间中，能够测量到整个网络流标识空间中的报文信息。
-
公开(公告)号：CN100525253C
公开(公告)日：2009-08-05
申请号：CN200710022213.4
申请日：2007-05-09
Applicant: 东南大学
Abstract: 本发明公开了一种资源可控制的网络流监测方法：第一步：设置测量参数；第二步：预抽样过程；第三步：报文更新抽样判断；第四步：更新流记录；第五步：流抽样过程；第六步：流淘汰判断；第七步：设置流淘汰大小阀值初始值；第八步：计算淘汰流数量；第九步：更新流淘汰大小阀值m；第十步：设置淘汰初始随机值；第十一步：流抽样淘汰判断；第十二步：流抽样淘汰过程；第十三步：查找流缓冲中下一流记录；第十四步：测量结束判断。本发明能够在一个测量时间粒度内采用不同的抽样比率，实现网络流自适应抽样测量；使用不等概率淘汰流策略，在同样的测量资源内实现更高精度的抽样；采用多抽样模块，使系统可以控制不同系统资源的消耗优点。
-
公开(公告)号：CN101257415A
公开(公告)日：2008-09-03
申请号：CN200810019277.3
申请日：2008-01-18
Applicant: 东南大学
Abstract: 一种基于固定存储空间的网络流实时自适应测量方法，设定一个期望测量区间持续时间、网络流存储空间和抽样测量参数，在测量过程中设定一个固定网络流存储空间大小阀值作为一个测量循环结束的依据，如果存储空间网络流流数超过阀值，则当前测量区间结束，输出所有的流量记录信息估计值；根据当前测量区间的时间间隔、期望测量区间持续时间和当前的抽样测量参数计算下一个测量区间内的抽样测量参数。本方法节省自适应过程中测量资源的消耗和保留网络流量信息的精度；在不同测量区间内使用不同的抽样参数的测量结果可以直接进行相互比较和计算。
-
公开(公告)号：CN101051999A
公开(公告)日：2007-10-10
申请号：CN200710022213.4
申请日：2007-05-09
Applicant: 东南大学
Abstract: 本发明公开了一种资源可控制的网络流监测方法：第一步：设置测量参数；第二步：预抽样过程；第三步：报文更新抽样判断；第四步：更新流记录；第五步：流抽样过程；第六步：流淘汰判断；第七步：设置流淘汰大小阀值初始值；第八步：计算淘汰流数量；第九步：更新流淘汰大小阀值m；第十步：设置淘汰初始随机值；第十一步：流抽样淘汰判断；第十二步：流抽样淘汰过程；第十三步：查找流缓冲中下一流记录；第十四步：测量结束判断。本发明能够在一个测量时间粒度内采用不同的抽样比率，实现网络流自适应抽样测量；使用不等概率淘汰流策略，在同样的测量资源内实现更高精度的抽样；采用多抽样模块，使系统可以控制不同系统资源的消耗优点。
-
公开(公告)号：CN119946150A
公开(公告)日：2025-05-06
申请号：CN202510037066.6
申请日：2025-01-09
Applicant: 东南大学 , 中国电子科技集团公司第五十四研究所
IPC: H04L69/00 , H04L47/11 , G06N3/0895
Abstract: 本发明公开了一种基于半监督聚类的未知协议识别方法和系统，该方法包括：采集不同协议的已标记和未标记的流量数据并提取流统计特征向量和指纹特征向量；根据流相关性利用已标记和未标记数据构建约束信息，得到必连约束集合、勿连约束集合、等价类集合；利用必连约束集合与勿连约束集合计算每个流统计特征的拉普拉斯分数进行特征选择，并将特征选择后的流统计特征与指纹特征融合得到单流特征向量；以等价类集合、勿连约束信息为指导，将已标记和未标记的单流混合进行半监督聚类；利用聚类后的流量簇构造分类器。本发明通过特征选择和特征融合能够更准确地表征网络流量的多维特性。在数据稀缺的情况下，通过构建约束信息挖掘未标记数据中的潜在信息，提高了对未知协议流量的识别效果，减少了对标注数据的依赖。
-
Patent Agency Ranking
公开(公告)号：CN115604142B
公开(公告)日：2025-04-25
申请号：CN202211085134.9
申请日：2022-09-06
Applicant: 东南大学
IPC: H04L43/08 , G06F18/23 , G06F18/24 , H04L41/14 , H04L41/147
Abstract: 本发明公开了一种基于批量更新的网络流概念漂移解决方法，该方法首先会对新到达的流量进行分类，得到分类结果；为了检测网络流概念漂移，本发明提出了一个自适应的概念漂移检测器，对流量特征的分类结果进行监测，根据漂移样本的数量来判断是否发生网络流概念漂移，并自主地触发分类模型的更新流程；为了在合理的时间和空间内完成分类模型的更新，本发明设计了一个批量更新器，对漂移样本和保存在本地的已聚类历史样本进行批量更新，以获得更新后的聚类样本，然后使用更新后的聚类样本和有监督机器学习分类算法完成分类模型的更新。本发明的方法使用公开的10G主干网数据集进行了测试，因此，适用于主干网流量的分类模型更新。
-
公开(公告)号：CN119693845A
公开(公告)日：2025-03-25
申请号：CN202411782644.0
申请日：2024-12-05
Applicant: 东南大学
IPC: G06V20/40 , G06V10/82 , G06V10/80 , G06V10/764 , G06V10/762 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/08
Abstract: 本发明提出了一种基于视频分片特征的VPN封装视频标题识别方法，以解决VPN环境下的视频标题识别难题。首先，本方法对视频流进行分片处理，提取每个视频的分段传输时的数据长度特征，以生成反映视频内容的长度特征序列。其次，根据特征序列的特点构建一个轻量级的CNN‑LSTM模型，并将从VPN视频流流量中提取到的特征序列送入模型中进行监督训练，得到能够准确识别视频标题的CNN‑LSTM模型。最后，实验结果表明，本发明在复杂网络环境、海量背景流量以及非对称路由条件下，能够精确识别VPN加密视频的标题，具有较高的识别准确率和鲁棒性，为网络流量管理和安全监控中的加密视频识别提供了技术支持。
-
公开(公告)号：CN115580603B
公开(公告)日：2025-03-14
申请号：CN202211178510.9
申请日：2022-09-26
Applicant: 东南大学
IPC: H04L65/65 , H04L41/147 , H04L41/22 , H04L43/08 , H04L43/0888 , H04L67/02 , H04L69/16 , H04N21/2187 , H04N21/6437
Abstract: 本发明涉及一种在实时传输协议下的网页直播卡顿预测方法，该方法包括：插件程序、流量采集器、在线自适应卡顿预测模型。所述开发程序应用于网页获取客户端参数其目的是为后续卡顿事件的确定以及卡顿参数的预测计算相应特征提供基础参数。所述流量采集器用于内容服务提供商服务器，获取当前时刻即将下发的网络流量。所述周期性更新的自适应卡顿预测模型应用于服务器端，其目的在于对抗概念漂移下的直播卡顿事件在线预测。通过本公开实例的技术方案，可以对当前采用实时传输协议的直播流进行在线卡顿预测并实时显示在服务端管理员可视化网页界面中，该实例可使服务提供商在异常发生前期及时对即将下发的直播流量采取措施，提高用户参与度。
-
公开(公告)号：CN114925249B
公开(公告)日：2024-07-12
申请号：CN202210552435.1
申请日：2022-05-20
Applicant: 东南大学
IPC: G06F16/903 , G06F16/955 , G06F16/958 , G06F16/78 , G06F21/60
Abstract: 本发明公开了一种面向自适应流媒体的视频传输指纹快速生成方法，自适应流媒体协议在传输视频时分片顺序传输，分片的顺序及分片长度构成了视频的传输指纹。该方法基于自适应流媒体协议HLS和DASH的视频传输标准，根据常见的视频平台的特点，解析给定的URL，从页面信息中提取与该视频相关的信息，根据提取到的有效信息进一步调用视频播放接口或者请求视频描述文件，从而提取相应的分片长度等信息，得到视频传输指纹。该方法无需下载完整的视频文件，仅需下载少量信息就可以获得准确的视频传输指纹，减少了视频传输指纹获取所需的存储资源，并且过程中无需人为操作，极大地提升了视频传输指纹的获取速度。
-
公开(公告)号：CN114024748B
公开(公告)日：2024-04-30
申请号：CN202111302612.2
申请日：2021-11-04
Applicant: 东南大学
IPC: H04L9/40 , H04L69/16 , H04L47/2441 , H04L47/2483 , G06F18/24 , G06N20/00
Abstract: 本发明提出了一种结合活跃节点库和机器学习的高效以太坊流量识别方法，分为四个部分，第一部分为活跃节点库的构造；第二部分为识别模型的训练，第三部分为使用不同的机器学习算法进行对比分析，选择最适合分类的机器学习算法训练后获取的模型作为识别模型；第四部分为以太坊流量识别，具体内容为将流量经过活跃节点库筛选后划分为TCP和UDP流量输入识别模型进行识别，同时根据识别结果进行以太坊活跃节点库中节点信息的更新。本发明能够有效地识别当前网络中存在的以太坊流量，监测效果准确率达到了99％。便于网络管理者对以太坊网络流量进行监管。
-
-
-
-
-
-
-
-
-
Search Results
252
records
(took 0.097 seconds)
