【技术实现步骤摘要】
本申请涉及网络流量的智能化管理领域，且更为具体地，涉及一种基于数据分析的网络流量监测管理系统及方法。
技术介绍
1、随着校园网络规模的不断扩大和网络节点的增多，校园网络环境变得越来越复杂多变。在这样的背景下，对网络流量进行监控与分析已经成为网络管理的主要手段之一。通过对网络流量的监控与分析，网络管理人员可以实时了解网络的运行状态，及时发现问题并采取措施，以确保网络的安全、稳定和高效运行。
2、特别地，网络管理人员需要监控整个校园网络的关键节点和重要设备的流量，而不仅仅局限于单个交换设备。在一个大型的校园网络中，可能会涉及多台交换机、路由器、防火墙、服务器等关键设备，监控这些设备的流量对于保障网络的稳定性、安全性和性能至关重要。
3、但是，传统方法通常基于规则和阈值进行流量监控，无法有效应对复杂多变的网络环境和新型威胁。
4、因此，期待一种基于数据分析的网络流量监测管理系统及方法，基于深度学习技术对校园网络流量进行特征提取和分析，以实现对校园网络的实时监测和预警。
技术实现思路
1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于数据分析的网络流量监测管理系统及方法，其首先采集待监测校园网络中的各个节点在各个时间段的网络流量数据以及各个节点之间的拓扑矩阵作为输入数据，接着使用深度学习技术对这些输入数据进行特征提取和分析以得到分类结果，所述分类结果用于表示待监测校园网络是否存在异常。这样，根据分类结果，有助于实现对校园网络的实时监测和
2、根据本申请的第一方面，提供了一种基于数据分析的网络流量监测管理系统，其包括：
3、校园网络数据采集模块，用于采集待监测校园网络中的各个节点在各个时间段的网络流量数据以及各个节点之间的拓扑矩阵；
4、校园网络特征获取模块，用于对所述各个节点在各个时间段的网络流量数据以及所述各个节点之间的拓扑矩阵分别进行特征提取和分析以得到网络流量综合特征矩阵以及节点拓扑特征矩阵；
5、校园网络特征融合模块，用于将所述网络流量综合特征矩阵和所述节点拓扑特征矩阵进行特征融合以得到学校网络特征矩阵；
6、校园网络分类结果生成模块，用于基于所述学校网络特征矩阵以得到分类结果，所述分类结果用于表示待监测校园网络是否存在异常。
7、结合本申请的第一方面，在本申请的第一方面的一种基于数据分析的网络流量监测管理系统中，所述校园网络特征获取模块，包括：网络流量特征提取单元，用于对所述各个节点在各个时间段的网络流量数据进行特征编码以得到所述网络流量综合特征矩阵；节点拓扑特征提取单元，用于将所述各个节点之间的拓扑矩阵通过包含二维卷积核的拓扑特征提取模块以得到所述节点拓扑特征矩阵。
8、其中，所述网络流量特征提取单元，包括：网络流量多尺度特征提取子单元，用于将所述各个节点在各个时间段的网络流量数据按时间维度排列为各个节点的网络流量输入向量后通过多尺度网络流量特征提取模块以得到各个节点的多尺度网络流量特征向量；网络流量综合特征提取子单元，用于将所述各个节点的多尺度网络流量特征向量排列为网络流量综合输入矩阵后通过基于二维卷积神经网络模型的网络流量综合特征提取模块以得到所述网络流量综合特征矩阵。
9、特别地，所述网络流量多尺度特征提取子单元，用于：使用所述多尺度网络流量特征提取模块的第一卷积层对所述各个节点的网络流量输入向量分别进行一维卷积编码以得到各个节点的网络流量第一尺度特征向量；使用所述多尺度网络流量特征提取模块的第二卷积层对所述各个节点的网络流量输入向量分别进行一维卷积编码以得到各个节点的网络流量第二尺度特征向量；以及将所述各个节点的网络流量第一尺度特征向量和所述各个节点的网络流量第二尺度特征向量分别进行级联以得到所述各个节点的多尺度网络流量特征向量。
10、特别地，所述网络流量综合特征提取子单元，用于：使用所述二维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述二维卷积神经网络模型的最后一层的输出为所述网络流量综合特征矩阵。
11、结合本申请的第一方面，在本申请的第一方面的一种基于数据分析的网络流量监测管理系统中，所述所述校园网络分类结果生成模块，包括：校园网络特征提取单元，用于将所述学校网络特征矩阵通过基于卷积神经网络模型的学校网络分类特征提取模块以得到学校网络分类特征矩阵；校园网络特征优化单元，用于对所述学校网络分类特征矩阵进行基于动态深度特征定位的特征关联性改进以得到优化学校网络分类特征矩阵；校园网络分类单元，用于将所述优化学校网络分类特征矩阵通过分类器以得到分类结果。
12、其中，所述校园网络特征优化单元，包括：将所述学校网络分类特征矩阵进行特征展平化以得到学校网络分类特征向量；对所述学校网络分类特征向量进行基于动态深度特征定位的特征关联性改进以得到优化学校网络分类特征向量；将所述优化学校网络分类特征向量按照所述特征展平化的方式进行反向特征聚合以得到所述优化学校网络分类特征矩阵。
13、特别地，对所述学校网络分类特征向量进行基于动态深度特征定位的特征关联性改进以得到优化学校网络分类特征向量，包括：确定所述学校网络分类特征向量的均值；对所述学校网络分类特征向量进行累加求和以得到所述学校网络分类特征向量的总和值；将所述学校网络分类特征向量的总和值减去所述学校网络分类特征向量的均值后除以预定超参数再除以所述学校网络分类特征向量的长度以得到第一商值；对所述第一商值计算以自然常数为底的指数函数值以得到第一自然指数函数值；将所述第一自然指数函数值与所述学校网络分类特征向量进行按位置点乘以得到优化学校网络分类特征向量。
14、根据本申请的第二方面，提供了一种基于数据分析的网络流量监测管理方法，其包括：
15、采集待监测校园网络中的各个节点在各个时间段的网络流量数据以及各个节点之间的拓扑矩阵；
16、对所述各个节点在各个时间段的网络流量数据以及所述各个节点之间的拓扑矩阵分别进行特征提取和分析以得到网络流量综合特征矩阵以及节点拓扑特征矩阵；
17、将所述网络流量综合特征矩阵和所述节点拓扑特征矩阵进行特征融合以得到学校网络特征矩阵；
18、基于所述学校网络特征矩阵以得到分类结果，所述分类结果用于表示待监测校园网络是否存在异常。
19、结合本申请的第二方面，在本申请的第二方面的一种基于数据分析的网络流量监测管理方法中，对所述各个节点在各个时间段的网络流量数据以及所述各个节点之间的拓扑矩阵分别进行特征提取和分析以得到网络流量综合特征矩阵以及节点拓扑特征矩阵，包括：网络流量特征提取单元，用于对所述各个节点在各个时间段的网络流量数据进行特征编码以得到所述网络流量综合特征矩阵；节点拓扑本文档来自技高网...
【技术保护点】
1.一种基于数据分析的网络流量监测管理系统，其特征在于，包括：
2.根据权利要求1所述的基于数据分析的网络流量监测管理系统，其特征在于，所述校园网络特征获取模块，包括：
3.根据权利要求2所述的基于数据分析的网络流量监测管理系统，其特征在于，所述网络流量特征提取单元，包括：
4.根据权利要求3所述的基于数据分析的网络流量监测管理系统，其特征在于，所述网络流量多尺度特征提取子单元，用于：
5.根据权利要求4所述的基于数据分析的网络流量监测管理系统，其特征在于，所述网络流量综合特征提取子单元，用于：使用所述二维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
6.根据权利要求5所述的基于数据分析的网络流量监测管理系统，其特征在于，所述校园网络分类结果生成模块，包括：
7.根据权利要求6所述的基于数据分析的网络流量监测管理系统，其特征在于，所述校园网络特征优化单元，包括：
8.根据权利要求7所述的基于数据分析的网络流量监测管理系统，其特征在于，对所述学校网络分类特征向量进行基于动态深度特征定位
9.一种基于数据分析的网络流量监测管理方法，其特征在于,包括：
10.根据权利要求9所述的基于数据分析的网络流量监测管理方法，其特征在于，对所述各个节点在各个时间段的网络流量数据以及所述各个节点之间的拓扑矩阵分别进行特征提取和分析以得到网络流量综合特征矩阵以及节点拓扑特征矩阵，包括：
...【技术特征摘要】
1.一种基于数据分析的网络流量监测管理系统，其特征在于，包括：
2.根据权利要求1所述的基于数据分析的网络流量监测管理系统，其特征在于，所述校园网络特征获取模块，包括：
3.根据权利要求2所述的基于数据分析的网络流量监测管理系统，其特征在于，所述网络流量特征提取单元，包括：
4.根据权利要求3所述的基于数据分析的网络流量监测管理系统，其特征在于，所述网络流量多尺度特征提取子单元，用于：
5.根据权利要求4所述的基于数据分析的网络流量监测管理系统，其特征在于，所述网络流量综合特征提取子单元，用于：使用所述二维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
6.根据权利要求5所述的基于数据分析的网络流量监...
【专利技术属性】
技术研发人员：阎星娥，严荣明，刘慰慰，杨昆，张林，赵万亮，
申请(专利权)人：南京华飞数据技术有限公司，
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。