应用程序类型的识别方法及装置制造方法及图纸

本公开涉及一种应用程序类型的识别方法及装置，该方法包括：采集所述应用程序在预设数量个监控周期的流量，单个所述监控周期包含多个单位时段，单个监控周期的流量包括与所述多个单位时段对应的流量；根据所述预设数量个监控周期的流量，构建所述应用程序的流量基线，所述流量基线包括所述多个单位时段对应的流量基线值；根据所述流量基线，确定所述应用程序的流量特征；根据所述应用程序的流量特征，识别所述应用程序的类型。由此，能够实时地自动识别应用程序的类型。

Application Type Recognition Method and Device

The present disclosure relates to an application type identification method and device. The method includes: collecting the flow of the application in a preset number of monitoring cycles, including multiple unit periods in a single monitoring cycle, and the flow of a single monitoring cycle including the flow corresponding to the plurality of unit periods; constructing the application according to the flow of the preset number of monitoring cycles. The flow baseline of the program includes the flow baseline values corresponding to the plurality of unit periods; the flow characteristics of the application program are determined according to the flow baseline; and the type of the application program is identified according to the flow characteristics of the application program. Thus, the type of application can be automatically identified in real time.

【技术实现步骤摘要】
应用程序类型的识别方法及装置
本公开涉及通信
，尤其涉及一种应用程序类型的识别方法及装置。
技术介绍
考虑到应用程序在预定时间段内具有相应特征，即，应用程序具有与时间有关的特征，因此，可以按照与时间有关的特征对应用程序进行分类，相应地，应用程序按照与时间有关的特征可以包括多种类型。相关技术中，根据应用程序在局域网中的运行状态和规范性条件来提取应用程序的与时间有关的特征，用户需要根据经验和应用程序的与时间有关的特征来确定应用程序的类型，并且手动标记应用程序的类型。因此，前述相关技术的主观选择性较大并且用户需要手动对应用程序进行标记。相关技术中，对网络流量数据进行特征工程，根据已知类型的应用程序的流量来构建训练集，由此，通过深度学习或传统的机器学习算法等，建立并训练应用分类模型，从而根据应用分类模型来识别应用程序的类型。然而，前述相关技术需要各种类型的应用程序的海量的流量数据，并且训练应用分类模型需要花费大量的训练时间。
技术实现思路
有鉴于此，本公开提出了一种应用程序类型的识别方法及装置。根据本公开的一方面，提供了一种应用程序类型的识别方法，包括：采集所述应用程序在预设数量个监控周期的流量，单个所述监控周期包含多个单位时段，单个监控周期的流量包括与所述多个单位时段对应的流量；根据所述预设数量个监控周期的流量，构建所述应用程序的流量基线，所述流量基线包括所述多个单位时段对应的流量基线值；根据所述流量基线，确定所述应用程序的流量特征；根据所述应用程序的流量特征，识别所述应用程序的类型。根据本公开的另一方面，提供了一种应用程序类型的识别装置，包括：采集模块，用于采集所述应用程序在预设数量个监控周期的流量，单个所述监控周期包含多个单位时段，单个监控周期的流量包括与所述多个单位时段对应的流量；构建模块，用于根据所述预设数量个监控周期的流量，构建所述应用程序的流量基线，所述流量基线包括所述多个单位时段对应的流量基线值；确定模块，用于根据所述流量基线，确定所述应用程序的流量特征；识别模块，用于根据所述应用程序的流量特征，识别所述应用程序的类型。本公开实施例提供的技术方案可以包括以下有益效果：根据采集的预设数量个监控周期的流量来构建应用程序的流量基线，根据构建的流量基线来确定应用程序的流量特征，并且根据应用程序的流量特征来识别应用程序的类型，由此，能够实时地自动识别应用程序的类型。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。附图说明包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。图1是根据一示例性实施例示出的一种应用程序类型的识别方法的流程图。图2是根据一示例性实施例示出的一种应用程序类型的识别装置的框图。图3是根据一示例性实施例示出的一种用于应用程序类型的识别装置的硬件结构框图。具体实施方式以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。图1是根据一示例性实施例示出的一种应用程序类型的识别方法的流程图。如图1所示，该识别方法可以包括如下步骤。在步骤S110中，采集所述应用程序在预设数量个监控周期的流量，单个所述监控周期包含多个单位时段，单个监控周期的流量包括与所述多个单位时段对应的流量。本实施例中，应用程序具有对应的预设数量个监控周期，每个监控周期包括相同的多个单位时段，并且应用程序在每个单位时段具有对应的一个流量，因此，在每个监控周期以每个单位时段为单位区间采集应用程序的流量，应用程序在每个单位时段具有对应的预设数量个流量，相应地，多个单位时段各自对应的预设数量个流量构成应用程序在预设数量个监控周期的流量。其中，针对不用类型的应用程序，其监控周期可能也不同。示例性的，假设某类型的应用程序具有30个监控周期(即，预设数量为30)、单个监控周期为1天、并且单位时段为1小时，则每个监控周期都包括如下的24个单位时段：单位时段T1[00：00，1：00]、单位时段T2[01：00，02：00]、…、单位时段T23[22：00，23：00]、单位时段T24[23：00，24：00]，每天以1小时为一个单位区间采集应用程序的流量，上述24个单位区间各自对应的30个流量构成了应用程序在30个监控周期的流量。在步骤S130中，根据所述预设数量个监控周期的流量，构建所述应用程序的流量基线，所述流量基线包括所述多个单位时段对应的流量基线值。本实施例中，流量基线是表示时间与流量的曲线，某一时间具有对应的流量。流量基线的参数例如包括监控周期、单位时段和流量，并且如步骤S110中所描述的，每个监控周期包括多个单位时段并且各单位时段具有对应的流量，因此流量基线记录了各单位时段对应的流量基线值。在一种可能的实现方式中，步骤S130可以包括：根据相同单位时段的所述预设数量个流量，确定该单位时段的流量基线值；根据所述多个单位时段的流量基线值得到所述流量基线。本实施例中，可以根据所采集的每个单位时段对应的预设数量个流量，计算每个单位时段对应的平均流量；每个单位时段对应的平均流量组成的曲线为应用程序的流量基线。其中，每个单位时段对应的平均流量为该单位时段对应的流量基线值。在一种可能的实现方式中，步骤S130可以包括：采用最小二乘法对所采集的预设数量个监控周期的流量进行拟合，拟合得到的曲线为应用程序的流量基线。在一种可能的实现方式中，在根据预设数量个监控周期的流量构建应用程序的流量基线之前，可以对预设数量个监控周期的流量进行过滤处理，以去除异常流量，并根据过滤处理后的流量构建应用程序的流量基线，从而提高流量基线的准确度。示例性的，可以去除每个单位时段对应的预设数量个流量中的最大值和最小值。本实施例中，单个监控周期所包括的多个单位时段可以对应于一个时间段或多个时间段。在不对单个监控周期进行划分的情况下，单个监控周期包括一个时间段，该时间段包括单个监控周期所包括的多个单位时段。在将单个监控周期划分为第一时间段和第二时间段的情况下，单个监控周期包括第一时间段和第二时间段，单个监控周期所包括的多个单位时段包括第一时间段所包括的单位时段和第二时间段所包括的单位时段。在一种示例中，对于办公类应用程序，单个监控周期为1周并且单位时段为1天，可以将1周划分为对应于工作日(例如，周一至周五)的第一时间段和对应于休息日(例如，周六至周日)的第二时间段。在另一种示例中，对于财务类应用程序，单个监控周期为1个月并且单位时段为1天，可以将1个月划分为对应于月末(例如，25号至30/31号)的第一时间段和对应于非月末(例如，1号至24号)的第二时间段。在又一种示例中，对于数据交换传输本文档来自技高网...

【技术保护点】
1.一种应用程序类型的识别方法，其特征在于，包括：采集所述应用程序在预设数量个监控周期的流量，单个所述监控周期包含多个单位时段，单个监控周期的流量包括与所述多个单位时段对应的流量；根据所述预设数量个监控周期的流量，构建所述应用程序的流量基线，所述流量基线包括所述多个单位时段对应的流量基线值；根据所述流量基线，确定所述应用程序的流量特征；根据所述应用程序的流量特征，识别所述应用程序的类型。

【技术特征摘要】
1.一种应用程序类型的识别方法，其特征在于，包括：采集所述应用程序在预设数量个监控周期的流量，单个所述监控周期包含多个单位时段，单个监控周期的流量包括与所述多个单位时段对应的流量；根据所述预设数量个监控周期的流量，构建所述应用程序的流量基线，所述流量基线包括所述多个单位时段对应的流量基线值；根据所述流量基线，确定所述应用程序的流量特征；根据所述应用程序的流量特征，识别所述应用程序的类型。2.根据权利要求1所述的方法，其特征在于，将所述单个监控周期划分为第一时间段和第二时间段；所述根据所述流量基线，确定所述应用程序的流量特征，包括：确定所述第一时间段包含的单位时段对应的流量基线值之和为第一时间段流量特征；确定所述第二时间段包含的单位时段对应的流量基线值之和为第二时间段流量特征。3.根据权利要求2所述的方法，其特征在于，所述根据所述应用程序的流量特征，识别所述应用程序的类型，包括：确定所述第一时间段流量特征与第二时间段流量特征的比值，若该比值大于预设的第一阈值，则确定所述应用程序的类型为第一类型；或者，确定所述第二时间段流量特征与第一时间段流量特征的比值，若该比值大于预设的第二阈值，则确定所述应用程序的类型为第二类型。4.根据权利要求1所述的方法，其特征在于，根据所述预设数量个监控周期的流量，构建所述应用程序的流量基线，包括：根据相同单位时段的所述预设数量个流量，确定该单位时段的流量基线值；根据所述多个单位时...

【专利技术属性】
技术研发人员：景晨凯，
申请(专利权)人：新华三大数据技术有限公司，
类型：发明
国别省市：河南,41