本公开提供了一种流量检测方法、流量检测装置、存储介质和电子设备，涉及通信技术领域。该流量检测方法包括：获取Web应用程序的网络流量数据，从网络流量数据中提取各特征类别对应的流量特征；利用各特征类别对应的流量特征确定流量相关性特征；基于流量相关性特征进行流量检测。本公开可以提高流量检测的准确度。本公开可以提高流量检测的准确度。本公开可以提高流量检测的准确度。
【技术实现步骤摘要】
流量检测方法、流量检测装置、存储介质和电子设备
[0001]本公开涉及通信
，具体而言，涉及一种流量检测方法、流量检测装置、存储介质和电子设备。
技术介绍
[0002]随着通信技术和互联网技术的发展，业务类型的区分越来越细化，在这种情况下，确保流量业务链的畅通运行至关重要，这就需要流量检测方案的支持。
[0003]然而，目前流量检测方案普遍存在检测准确度不足的问题。
[0004]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
[0005]本公开的目的在于提供一种流量检测方法、流量检测装置、存储介质和电子设备，进而至少在一定程度上克服流量检测准确度不足的问题。
[0006]根据本公开的第一方面，提供了一种流量检测方法，包括：获取Web应用程序的网络流量数据，从网络流量数据中提取各特征类别对应的流量特征；利用各特征类别对应的流量特征确定流量相关性特征；基于流量相关性特征进行流量检测。
[0007]可选地，从网络流量数据中提取各特征类别对应的流量特征包括：利用切片循环神经网络从网络流量数据中提取各特征类别对应的流量特征。
[0008]可选地，利用切片循环神经网络从网络流量数据中提取各特征类别对应的流量特征包括：将网络流量数据切分为多个流量序列；对各流量序列进行多层编码处理，以得到网络流量数据的编码结果；其中，切片循环神经网络中每一层执行编码处理过程的次数小于上一层执行编码处理过程的次数；对编码结果进行分类操作，以得到各特征类别对应的流量特征。
[0009]可选地，利用各特征类别对应的流量特征确定流量相关性特征包括：利用Transformer模型对各特征类别对应的流量特征进行处理，以确定出流量相关性特征。
[0010]可选地，基于流量相关性特征进行流量检测包括：基于流量相关性特征确定流量类型。
[0011]可选地，基于流量相关性特征进行流量检测包括：基于流量相关性特征预测流量趋势。
[0012]可选地，流量检测方法还包括：基于流量趋势确定可视化数据；利用可视化数据构造线图，并将线图进行展示。
[0013]根据本公开的第二方面，提供了一种流量检测装置，包括：第一特征确定模块，用于获取Web应用程序的网络流量数据，从网络流量数据中提取各特征类别对应的流量特征；第二特征确定模块，用于利用各特征类别对应的流量特征确定流量相关性特征；流量检测模块，用于基于流量相关性特征进行流量检测。
[0014]可选地，第一特征确定模块被配置为执行：利用切片循环神经网络从网络流量数据中提取各特征类别对应的流量特征。
[0015]可选地，第一特征确定模块被配置为执行：将网络流量数据切分为多个流量序列；对各流量序列进行多层编码处理，以得到网络流量数据的编码结果；其中，切片循环神经网络中每一层执行编码处理过程的次数小于上一层执行编码处理过程的次数；对编码结果进行分类操作，以得到各特征类别对应的流量特征。
[0016]可选地，第二特征确定模块被配置为执行：利用Transformer模型对各特征类别对应的流量特征进行处理，以确定出流量相关性特征。
[0017]可选地，流量检测模块被配置为执行：基于流量相关性特征确定流量类型。
[0018]可选地，流量检测模块被配置为执行：基于流量相关性特征预测流量趋势。
[0019]可选地，流量检测模块还被配置为执行：基于流量趋势确定可视化数据；利用可视化数据构造线图，并将线图进行展示。
[0020]根据本公开的第三方面，提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述流量检测方法。
[0021]根据本公开的第四方面，提供了一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；该处理器被配置为经由执行可执行指令来实现上述流量检测方法。
[0022]在本公开的一些实施例所提供的技术方案中，从网络流量数据中提取多种特征类别分别对应的流量特征，并利用各特征类别对应的流量特征确定流量相关性特征，并基于流量相关性特征进行流量检测。本公开方案通过提取各特征类别对应的流量特征，将流量特征按类别进行后续处理，使得参与算法的流量信息更全面，并依据基于此而确定出的流量相关性进行流量检测，可以提高流量检测的准确度。
[0023]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0024]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]图1示出了本公开实施方式的流量检测过程的输入输出示意图。
[0026]图2示出了本公开实施方式的流量检测方案中包括的模型的示意图。
[0027]图3示出了本公开实施例的切片循环神经网络的原理结构示意图。
[0028]图4示出了本公开实施例的整个模型架构的示意图。
[0029]图5示意性示出了本公开示例性实施方式的流量检测方法的流程图。
[0030]图6示出了本公开实施例的切片循环神经网络的输入示意图。
[0031]图7示出了本公开实施例的流量类型的示意图。
[0032]图8示意性示出了本公开示例性实施方式的流量检测装置的方框图。
[0033]图9示意性示出了根据本公开的示例性实施方式的电子设备的方框图。
具体实施方式
[0034]现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
[0035]此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
[0036]附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种流量检测方法，其特征在于，包括：获取Web应用程序的网络流量数据，从所述网络流量数据中提取各特征类别对应的流量特征；利用所述各特征类别对应的流量特征确定流量相关性特征；基于所述流量相关性特征进行流量检测。2.根据权利要求1所述的流量检测方法，其特征在于，从所述网络流量数据中提取各特征类别对应的流量特征包括：利用切片循环神经网络从所述网络流量数据中提取各特征类别对应的流量特征。3.根据权利要求2所述的流量检测方法，其特征在于，利用切片循环神经网络从所述网络流量数据中提取各特征类别对应的流量特征包括：将所述网络流量数据切分为多个流量序列；对各所述流量序列进行多层编码处理，以得到所述网络流量数据的编码结果；其中，所述切片循环神经网络中每一层执行编码处理过程的次数小于上一层执行编码处理过程的次数；对所述编码结果进行分类操作，以得到各特征类别对应的流量特征。4.根据权利要求1所述的流量检测方法，其特征在于，利用所述各特征类别对应的流量特征确定流量相关性特征包括：利用Transformer模型对所述各特征类别对应的流量特征进行处理，以确定出流量相关性特征。5.根据权利要求1所述的流量...
【专利技术属性】
技术研发人员：肖莹，魏效国，徐勇，郑树锐，杨佳玲，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。