网络流量识别方法、装置、设备以及计算机程序产品与流程

1.本发明涉及网络领域，尤其涉及一种网络流量识别方法、装置、设备以及计算机程序产品。


背景技术：

2.随着移动互联网的飞速发展，运营商对数据赋能家庭业务精准化营销的需求不断增加，如实时地对家庭宽带用户的网络流量数据进行业务、应用分类，从而实现家庭网络用户的行为分析。相关技术中开始使用深度学习算法识别流量。
3.但这些方法仅在区分业务大类时有显著效果，如超文本传输、文件传输、电子邮件、视频类、直播类、游戏类等。难以精细化识别网络流量的具体应用。
4.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

5.本发明的主要目的在于提供一种网络流量识别方法、装置、设备以及计算机程序产品，旨在解决相关技术中难以精细化识别网络流量的具体应用的技术问题。
6.为实现上述目的，第一方面，本发明提供一种网络流量识别方法，包括以下步骤：
7.获取网络端口的数据流量集合；其中，所述数据流量集合包括多个数据流；
8.对所述数据流量集合进行特征提取，得到流量特征集合；其中，所述流量特征集合包括每个所述数据流的统计特征和载荷特征；
9.基于多个所述统计特征和所述数据流的所有业务类别，对分类器模型进行集中学习，得到最终分类器模型；
10.将所述流量特征集合输入所述最终分类器模型，得到每个数据流对应的业务分类结果；
11.基于所述业务分类结果，将每个业务类别中的所有数据流对应的所有所述载荷特征输入训练好的卷积神经网络模型，获得所述载荷特征所属的所述数据流的应用分类结果。
12.在一实施例中，所述基于多个所述统计特征和所述数据流的所有业务类别，对分类器模型进行集中学习，得到最终分类器模型的步骤，包括：
13.将多个所述统计特征和所述数据流的所有业务类别输入分类器模型，得到每个所述统计特征的业务分类结果；其中，所述统计特征均具有权重值，且所有统计特征的权重值的初始值相等；
14.根据所述业务分类结果，得到所述分类器模型的错误率；
15.基于所述错误率，对所述统计特征的权重值和所述分类器模型的决定系数进行更新，得到更新后的权重值和更新后的分类器模型，并进入下一迭代周期，返回至将多个所述统计特征和所述数据流的所有业务类别输入分类器模型，得到每个所述统计特征的业务分
类结果的步骤，循环至所述集成学习结束，得到最终分类器模型。
16.在一实施例中，所述基于所述错误率，对所述统计特征的权重值和所述分类器模型的决定系数进行更新，得到更新后的权重值和更新后的分类器模型的步骤，包括：
17.基于所述错误率和第一预设公式，得到所述分类器模型的更新后的决定系数；
18.其中，所述第一预设公式为：
19.alpha＝0.5
×
ln(1
‑
ε/max(ε，1e
‑
16))；
20.其中，alpha为所述更新后的决定系数，ε为所述分类器模型的正确率；
21.当所述统计特征被正确分类时，根据所述决定系数、权重值以及第二预设公式，得到更新后的权重值：
22.其中，第二预设公式为：
23.d(m+1,i)＝d(m,i)
×
exp(
‑
alpha)/sum(d)；
24.其中，m为当前迭代周期，d(m+1,i)为第i个统计特征更新后的权重值，d(m,i)为第i个统计特征在当前迭代周期的权重值，sum(d)为当前迭代周期内所有统计特征的权重值的和；
25.当所述统计特征被错误分类时，根据所述决定系数、权重值以及第三预设公式，得到更新后的权重值：
26.其中，第三预设公式为：
27.d(m+1,i)＝d(m,i)
×
exp(alpha)/sum(d)。
28.在一实施例中，所述并进入下一迭代周期，返回至将多个所述统计特征和数据流的所有业务类别输入分类器模型，得到每个所述统计特征的业务分类结果的步骤的步骤之前，所述方法还包括：
29.通过验证集对所述分类器模型进行测试，得到测试错误率；其中，所述验证集由所述流量特征集合中的剩余所述统计特征和所有业务类别构建得到；
30.所述循环至所述集成学习结束，得到最终分类器模型的步骤，包括：
31.循环至所述错误率下降且所述测试错误率上升时，集成学习结束，将上一迭代周期的分类器模型作为所述最终分类器模型。
32.在一实施例中，所述卷积神经网络模型的卷积层采用relu函数作为激活函数。
33.在一实施例中，所述对所述数据流量集合进行特征提取，得到流量特征集合的步骤包括：
34.根据预设指标对所述数据流进行统计，得到所述数据流的统计特征；
35.对所述数据流的流量包进行截取，得到载荷序列；
36.将所述载荷序列转换为预设格式的图像文件，得到所述数据流的载荷特征。
37.在一实施例中，所述数据流量集合进行特征提取，得到流量特征集合的步骤之前，所述方法还包括：
38.删除所述数据流量集合中与物理信息相关的数据、空白流量包和重复流量包，以及与传输协议相关的特征数据，以获得所述数据流。
39.第二方面，本发明还提供了一种网络流量识别装置，包括：
40.流量获取模块，用于获取网络端口的数据流量集合；其中，所述数据流量集合包括多个数据流；
41.特征提取模块，用于对所述数据流量集合进行特征提取，得到流量特征集合；其中，所述流量特征集合包括每个所述数据流的统计特征和载荷特征；
42.集成学习模块，用于基于多个所述统计特征和所述数据流的所有业务类别，对分类器模型进行集中学习，得到最终分类器模型；
43.业务分类模块，用于将所述流量特征集合输入所述最终分类器模型，得到每个数据流对应的业务分类结果。
44.应用分类结果，用于基于所述业务分类结果，将每个业务类别中的所有数据流对应的所有所述载荷特征输入训练好的卷积神经网络模型，获得所述载荷特征所属的所述数据流的应用分类结果。
45.第三方面，本发明还提供了一种网络流量识别设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上述的方法的步骤。
46.第四方面，本发明还提供了一种计算机程序产品，包括可执行的程序代码，其中，所述程序代码在由处理器执行时执行如上所述的方法。
47.本发明实施例提供了一种网络流量识别方法，该方法通过集成学习算法对网络流量进行业务类别识别，在将业务类别识别后的数据流输入对应的cnn模型进行应用类别识别，从而提高网络流量识别精度。
附图说明
48.图1为本发明网络流量识别设备一实施例的结构示意图；
49.图2为本发明网络流量识别方法第一实施例的流程示意图；
50.图3为本发明网络流量识别方法第一实施例的步骤s102的细化结构示意图；
51.图4为本发明网络流量识别方法第一实施例的步骤s103的细化结构示意图；
52.图5为本发明网络流量识别装置的功能模块示意图。
53.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
54.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
55.随着移动互联网的飞速发展，运营商对数据赋能家庭业务精准化营销的需求不断增加，如实时地对家庭宽带用户的网络流量数据进行业务、应用分类，从而实现家庭网络用户的行为分析。相关技术中开始使用深度学习，或者将机器学习与dpi识别相结合。但是这些方法仅在区分业务大类时有显著效果，如超文本传输、文件传输、电子邮件、视频类、直播类、游戏类等。但是难以精细化识别网络流量的应用分类，如游戏类精确识别流量属于绝地求生，还是英雄联盟，或者视频类精确识别流量属于爱奇艺，还是腾讯视频。
56.为此，本发明实施例提供了一种网络流量识别方法，该方法通过集成学习算法对网络流量进行业务类别识别，在将业务类别识别后的数据流输入对应的cnn模型进行应用类别识别，从而提高网络流量识别精度。
57.下面结合一些具体实施例进一步阐述本技术的发明构思。
58.参阅图，本发明实施提供了一种网络流量识别方法第一实施例。参阅图1，图1为本
发明网络流浪识别方法第一实施例的流程示意图。
59.本实施例中，方法包括以下步骤：
60.步骤s101、获取网络端口的数据流量集合；其中，所述数据流量集合包括多个数据流。
61.该步骤中，可首先利用抓包工具，如wireshark对不同业务场景下的网络流量有针对性地进行数据包采集，并根据所爬取的业务类型、应用名称对数据包类别打上label标记。
62.如业务类型可标记为：1
‑
游戏，2
‑
视频，3
‑
在线教育，0
‑
其他。应用类型可标记为：1
‑
绝地求生，2
‑
英雄联盟，3
‑
爱奇艺，4
‑
学而思，0
‑
其他。
63.然后对数据包解包后的数据流进行协议解析，从而得到数据流的基本属性，也即是五元组：数据包的源ip地址、数据包的源端口、数据包的目的ip地址、数据包的目的端口、数据包的传输层协议。
64.最后重组数据包，从而得到网络端口的数据流量集合。即判断一条数据流是否结束，并将最终得到由多条网络数据流组成的集合，存储为pcap格式的文件，也即是数据流量集合。
65.在一些具体实施例中，数据流结束判断方法有：
66.1)结束标志fin：往往在tcp连接过程中，一次会话会以syn标志开始，以fin标志结束。因此，识别到fin标志时，代表该数据流结束。
67.2)截断处理：基于五元组，采用如有线性查找、分层trie树查找、网格树trie查找等分类算法，将数据包集合中五元组相同的数据包切分成一个小集合，即一条网络数据流，重复选取直到将数据包集合中的所有数据切分完毕。
68.3)超时处理：即最后一个报文到达后的一分钟之内没有接收到任何新的相似数据包，则认为此次会话已经完成，该方法可避免网络故障或者服务器宕机导致的数据质量问题。
69.步骤s102、对数据流量集合进行特征提取，得到流量特征集合。其中，流量特征集合包括每个所述数据流的统计特征和载荷特征。
70.值得一提的是，在一些实施例中，步骤s102之前还包括：
71.步骤(1)：删除数据流量集合中与物理信息相关的数据、空白流量包和重复流量包，以及与传输协议相关的特征数据，以获得数据流。
72.该步骤具体包括：
73.剔除网络数据流集合中与物理信息相关的特征(如mac地址)。可以理解的，当一些网络设备只负责传递某类应用的流量时，mac地址会被卷积神经网络算法视为与某种业务类型强相关。
74.删除网络数据流集合中的空白流量包和重复流量包，以提高样本数据的质量。
75.剔除网络数据流集合中与传输协议相关的特征(如五元组)。需要说明的是，当服务器分布式部署时，五元组随服务器区域的改变而改变，此特征不可避免地会影响卷积神经网络算法的学习质量。因此，删除传输协议相关的特征，可避免卷积神经网络区学习五元组规律而降低流量识别质量。
76.步骤a10、根据预设指标对数据流进行统计，得到数据流的统计特征。
77.其中统计特征为：数据包有效载荷的最大长度，数据包有效载荷的最小长度，最大和最小数据包有效载荷的长度的差值，数据包有效载荷的平均长度，数据包有效载荷的长度标准差，数据包有效载荷的长度中位数；
78.或者，在另一些实施例中，可参阅下表，预设指标为：
79.序号预设指标1数据包的总个数2数据包的总字节数3数据包的最少字节数4数据包的最多字节数5最多和最少数据包字节数6数据包字节数的标准差值7数据包字节数的均值8数据包字节数的中位数9数据流的持续时长(秒，下10数据包之间的平均时间间11数据包之间的最小时间间12数据包之间的最大时间间13最多和最少数据包的时间14数据包之间的时间间隔标15数据包之间的时间间隔中16数据包包头的平均长度17数据包包头的最大长度18数据包包头的最小长度19最大和最小数据包包头长20数据包包头的长度标准差21数据包包头的长度中位数
80.因此，基于上表，可建立每条数据流的21个统计特征。
81.当然，统计指标还可包括更多或者更少的特征，可根据具体情况具体设置，此处并不加以限制。
82.步骤a20、对可提取数据流的流量包进行截取，得到载荷序列。
83.步骤a30、将载荷序列转换为预设格式的图像文件，得到数据流的载荷特征。
84.具体而言，依次遍历每条流数据中的每一个数据包，剔除包头仅保留业务数据，提取数据包的载荷特征。载荷特征用于表征数据流的载荷信息。
85.在一些实施例中，数据流的载荷特征可通过正则表达式进行表达。
86.或者，在另一些实施例中，载荷特征具体提取步骤如下：
87.1)将数据包的载荷信息转换为十进制的字节序列，以节省计算资源。
88.2)对数据包载荷784字节的流量包进行截取，不足784个字节的用0x00补齐，将其视为一个1*784的序列，序列中的每个维度是一个字节(0
‑
255整型数)。
89.3)将截取后的1*784序列转换为28*28的图像格式，即得到数据包的载荷特征。
90.步骤s103、基于多个统计特征和数据流的所有业务类别，对分类器模型进行集中学习，得到最终分类器模型。
91.具体而言，参阅图3，步骤s103包括：
92.步骤b10、将多个统计特征和数据流的所有业务类别输入分类器模型，得到每个统计特征的业务分类结果；其中，统计特征均具有权重值，且所有统计特征的权重值的初始值相等。
93.本步骤中，在训练开始时，每一个数据流样本对应的权重都是相等的，因此需要在数据集上训练出一个弱分类器模型，并计算该分类器模型的错误率。数据流的所有业务类别可通过前述数据包上的标签进行验证。如业务类型可标记为：1
‑
游戏，2
‑
视频，3
‑
在线教育，0
‑
其他。应用类型可标记为：1
‑
绝地求生，2
‑
英雄联盟，3
‑
爱奇艺，4
‑
学而思，0
‑
其他。
94.在一些实施例中，可通过单层决策树构建弱分类器模型。使用首个单层决策树进行分类，得到分类器模型的错误率。
95.步骤b20、根据业务分类结果，得到分类器模型的错误率。
96.由于数据包具有相应的业务标签，因此查看分类结果是否正确。
97.步骤b30、基于错误率，对统计特征的权重值和分类器模型的决定系数进行更新，得到更新后的权重值和更新后的分类器模型，并进入下一迭代周期，返回至步骤b10，循环至集成学习结束，得到最终分类器模型。
98.具体而言，步骤b30包括：
99.(1)基于错误率和第一预设公式，得到分类器模型的更新后的决定系数；
100.其中，第一预设公式为：
101.alpha＝0.5
×
ln(1
‑
ε/max(ε，1e
‑
16))；
102.其中，alpha为更新后的决定系数，ε为分类器模型的正确率。
103.(2)当统计特征被正确分类时，根据决定系数、权重值以及第二预设公式，得到更新后的权重值：
104.其中，第二预设公式为：
105.d(m+1,i)＝d(m,i)
×
exp(
‑
alpha)/sum(d)；
106.其中，m为当前迭代周期，d(m+1,i)为第i个统计特征更新后的权重值，d(m,i)为第i个统计特征在当前迭代周期的权重值，sum(d)为当前迭代周期内所有统计特征的权重值的和；
107.(3)当统计特征被错误分类时，根据决定系数、权重值以及第三预设公式，得到更新后的权重值：
108.其中，第三预设公式为：
109.d(m+1,i)＝d(m,i)
×
exp(alpha)/sum(d)。
110.具体而言，在同一数据集上再次训练弱分类器模型，得到加权错误率，即所有分错的样本乘以其对应的权重，然后进行累加得到分类器模型的错误率。然后基于错误率更新训练集中数据流样本的权重，以使分类器模型更关注分类错误的数据流样本。并更新分类器模型的决定参数。
111.训练集中每个数据流样本的权重更新后，进行下一次训练。在此过程中，集成学习算法会不断重复上述训练和调整权重和决定参数，直至退出迭代循环，完成训练。
112.值得一提的是，为避免资源浪费和性能损耗，退出迭代循环可以是采用预设迭代次数的方式结束迭代。
113.或者，在一些实施例中，可采用交叉验证的方式完成迭代循环。
114.具体而言，步骤b30还包括：
115.(1)通过验证集对分类器模型进行测试，得到测试错误率；其中，验证集包括流量特征集合中的剩余统计特征和所有业务类别；
116.(2)循环至错误率下降且测试错误率上升时，集成学习结束，将上一迭代周期的分类器模型作为最终分类器模型。
117.如流量特征集合中，训练前便将流量特征集合进行拆分，如70％数据流样本用于训练，30％数据流样本构建验证集用于测试。
118.需要说明的是，并不是分类器模型迭代次数越多效果越好，反而会出现过拟合的情况。因此在训练分类器模型时本实施例可采用了交叉验证的方法，即设定一个验证集，不断测试验证集的分类错误率，当训练集的错误率下降且验证集的错误率与上一次迭代结果比上升时，停止训练，并视上一次迭代分类器模型为最优分类器模型。
119.本实施例中，集成学习方法得到的最终分类器模型的样本拆分错误率低，且无参数调整，虽对离散型数据较敏感，但该实施例所提取的统计特征均为连续型数据，因此该方法可对加密流量数据流的业务类型进行优先分类，将集成学习后的样本及其所对应的载荷内容作为监督学习样本输入到卷积神经模型中，最终实现应用分类。
120.步骤s104、将流量特征集合输入至最终分类器模型，得到每个数据流对应的业务分类结果。
121.步骤s105、基于业务分类结果，将每个业务类别中的所有数据流对应的所有载荷特征输入训练好的卷积神经网络模型，获得载荷特征所属的数据流的应用分类结果。
122.本步骤中，基于卷积神经网络把每条数据流的载荷特征均视为一个图像，将多维向量图像直接输入网络，自动学习以得到最优分类的样本特征，从而完成模型训练。
123.此步骤中，将分类后的数据流的载荷特征输入至卷积神经网络模型中，减少了卷积神经网络模型的特征提取和分类过程中数据重建的复杂度，不仅可以解决大数据的并行问题，如海量家庭网络实时流量数据分类。还可以在保证模型精度的同时，减轻人工负担，并确保了卷积神经网络模型识别规则更新及时。
124.由于输入图像的尺寸越大其连接的参数便越大，计算量就会随之增加。因此，卷积神经网络模型可包括：输入层
→
卷积层
→
卷积层
→
池化层
→
三层全连接层
→
softmax输出层，其中输入层样本图像参数为28
×
28
×
3(深度)，卷积层和池化层用于特征提取，全连接层和softmax输出层用于分类识别。
125.将两个卷积层的卷积核参数设为5
×5×
3的感受野。第一卷积层的卷积核个数为32。第二卷积层的卷积核个数为64。且卷积层通过激活函数relu函数随机纠正线性单元。relu函数可为神经网络加入一些非线性因素，使得该模型在实际应用中可以应对较复杂的问题。
126.relu函数可表示如下：
127.128.其中，a
ji
是一个取自连续性均匀分布u(l,u)概率模型的随机变量。可表示为a
ji
～u(l,u),l<u，l,and u∈[0,1)。该激活函数有正则效果，可有效缓解梯度消失并且运算量很小，可以在实际应用中提高卷积层的计算速度。
[0129]
两个卷积层可输出规格为24x24的特征图。
[0130]
将卷积神经网络模型的池化层的最大池化参数设为2x2，对输入的载荷特征进行特征压缩，提取主要特征，得到规格为12x12的特征图，该步骤可通过缩小特征图简化网络计算的复杂度。
[0131]
卷积神经网络模型全连接层分别为输入层、隐含层、输出层。
[0132]
输入层将前述的12x12的特征图串联起来，计算各个神经元所对应的权重，公式如下：
[0133]
a
ji
＝x1w
11
+x2w
21
+...+x
i
w
ji
[0134]
隐藏层对上述权重进行加权求和，得到全连接层的权重，公式如下：
[0135]
y
ji
＝a1w
11
+a2w
21
+...+a
i
w
ji
[0136]
其中，w为全连接层的参数，由多次调参比对测试集结果而确定，x是全连接层的输入，也就是串联后的特征，由于线性全连接层是最基础的网络结构，与线性代数的乘法原理相同，故此步骤与卷积层相比计算量较小。
[0137]
输出层将计算结果输出给卷积神经网络模型的分类器模型。
[0138]
分类器模型的softmax函数基于全连接输出值进行多应用分类，公式如下：
[0139][0140]
其中，v
i
表示数组v中的第i个元素，输出值是t(神经元个数)x1的向量，该向量中每一个值都表示一个概率值。
[0141]
例如，本发明的某次实验得到一个训练数据流样本对于绝地求生、英雄联盟、dota2、魔兽世界4个应用类别的预测结果依次为[0.0903,0.2447,0.553,0.112]，就表示该样本被判定为“dota2”类。
[0142]
在一具体实施例中，将同一业务分类下的数据流的载荷特征样本输入到训练好的卷积神经网络模型中，根据混淆矩阵下的二级指标：准确率(accuracy)、精确率(precision)、召回率(recall)，以及三级指标f1 score对模型进行调整，公式如下：
[0143][0144]
其中，p为精确率，r为召回率，本发明根据该指标来不断调整全连接层参数w，从而得到最佳模型，评估效果如下：
[0145][0146]
由此可见，在该实施例中，本方案基于卷积神经网络集成学习的网络流量识别方
法，对应用类别的识别精确度可达92.64％，识别率可达91.69％。识别精度高。
[0147]
如，在一具体实施例中，本实施例对采集的数据流首先通过集成学习进行业务分类，将其识别为视频类，然后再识别为视频类的所有数据流将其输入至卷积神经网络模型中，卷积神经网络模型再次识别出各个数据流所属的应用，如爱奇艺或者腾讯视频等。
[0148]
本实施例中，分别通过集成学习算法对数据流进行业务分类，然后通过深度学习对数据流进行应用分类，从而可以提高网络流量识别精度的同时，保证了对用户上网偏好分析的全面性，便于运营商开展精准营销工作。
[0149]
此外，可以理解的，在深度学习中，当训练集中不同业务类别的样本分布严重不均衡时，卷积神经网络输出的识别结果的精度会出现巨大偏差。因此，本实施例中，首先通过集中学习算法对每个数据流进行一级分类，即得到业务分类结果。然后将每个业务分类下的数据流输入至卷积神经网络模型进行耳机分类，即应用分类，从而确保输入至卷积神经网络模型中的数据分布均衡，可以将样本分类误差最小化。进而降低模型偏差。
[0150]
此外，参阅图5，本发明提供了一种网络流量识别装置，包括：
[0151]
流量获取模块10，用于获取网络端口的数据流量集合；；其中，所述数据流量集合包括多个数据流；
[0152]
特征提取模块20，用于对数据流量集合进行特征提取，得到所有数据流的流量特征集合；其中，流量特征集合包括每个所述数据流的统计特征和载荷特征；
[0153]
集成学习模块30，用于基于多个统计特征和数据流的所有业务类别，对分类器模型进行集中学习，得到最终分类器模型；
[0154]
业务分类模块40，用于将所述流量特征集合输入至所述最终分类器模型，得到每个数据流特征对应的业务分类结果；
[0155]
应用分类模块50，用于基于业务分类结果，将每个业务类别中的数据流对应的所有载荷特征输入训练好的卷积神经网络模型，获得载荷特征所属的数据流的应用分类结果。
[0156]
本发明网络流量识别装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
[0157]
参照图1，图1为本发明实施例方案涉及的网络流量识别方法的推荐设备结构示意图。
[0158]
该网络流量识别设备包括：至少一个处理器301、存储器302以及存储在存储器上并可在处理器上运行的网络流量识别程序，基于区块链的密钥处理程序配置为实现如前的网络流量识别方法的步骤。
[0159]
处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processingunit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。
[0160]
存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本技术中方法实施例提供的网络流量识别方法。
[0161]
网络流量识别设备还包括有：通信接口303。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。
[0162]
通信接口303可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
[0163]
本领域技术人员可以理解，图1中示出的结构并不构成对网络流量识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0164]
此外，本发明实施例还提出一种计算机程序产品，所述计算机程序产品上存储程序代码，所述程序代码被处理器执行时实现如上文所述的网络流量识别方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本技术所涉及的计算机程序产品实施例中未披露的技术细节，请参照本技术方法实施例的描述。确定为示例，程序指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
[0165]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0166]
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0167]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质
中，如计算机的软盘、u盘、移动硬盘、只读存储器(rom，read
‑
onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0168]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。