【技術實現步驟摘要】
本專利技術涉及網絡通信，特別涉及一種基于大數據的異常信號智能識別方法。
技術介紹
1、隨著互聯網的飛速發展，網絡數據傳輸量急劇增加，網絡環境的復雜性和不穩定性也隨之加劇。在網絡傳輸過程中，由于網絡擁塞、設備故障、鏈路不穩定等多種因素，數據包丟失（即漏包）現象時有發生，這不僅影響了數據傳輸的完整性和實時性，還可能對依賴數據傳輸的業務系統造成重大損失。
2、現有的網絡傳輸監控技術大多側重于對網絡流量的統計分析和異常檢測，雖然能夠在一定程度上識別網絡中的異常情況，但在漏包檢測方面仍存在諸多不足。一方面，傳統的方法往往依賴于簡單的數據包計數或時間戳對比，這些方法在面對高并發、動態變化的網絡環境時，往往難以準確區分正常丟包與異常漏包，導致誤報和漏報率較高。另一方面，即便能夠檢測到漏包，現有的技術方案大多缺乏有效的恢復機制，往往只能采取簡單的重傳策略，不僅增加了網絡負擔，還可能因重傳路徑選擇不當而加劇漏包問題。
3、此外，隨著云計算、大數據、物聯網等新興技術的興起，網絡傳輸的多樣性和復雜性進一步增加，對漏包檢測與恢復技術提出了更高的要求。傳統的基于規則的檢測方法難以適應這種變化，需要引入更加智能、自適應的技術手段來應對。
4、因此，如何提供一種自適應識別并處理漏包情況的基于大數據的異常信號智能識別方法是本領域技術人員亟待解決的技術問題。
技術實現思路
1、本專利技術針對上述研究現狀和存在的問題，提供了一種基于大數據的異常信號智能識別方法，通過構建基于機器學習
2、本專利技術提供的一種基于大數據的異常信號智能識別方法，包括如下步驟：
3、s1：動態獲取發送端和接收端之間的第一數據包及第一傳輸路徑；提取第一傳輸信息集；
4、s2：實時將所述第一數據包上傳至緩存服務器，并設置緩存期限；
5、s3：基于時域狀態空間融合深度學習算法構建網絡行為識別模型，用于根據發送端和接收端傳輸的數據判斷是否出現漏包情況，以所述第一傳輸信息集為輸入，各個網絡節點網絡行為判斷結果為輸出動態訓練所述網絡行為識別模型；
6、s4：實時獲取發送端和接收端之間傳輸的第二數據包及第二傳輸路徑，提取第二傳輸信息集；實時將所述第二數據包上傳至緩存服務器，并設置緩存期限；
7、s5：調用動態訓練的所述網絡行為識別模型對所述第二傳輸信息集進行異常信號識別，輸出判斷結果；若結果包含異常行為，則隔離異常網絡節點，重新生成第三傳輸路徑，基于第二數據包和第三傳輸路徑提取第三傳輸信息集；
8、s6：從緩存服務器中調取所述第二數據包重新發送至接收端，并將所述第三傳輸信息集再次輸入至所述網絡行為識別模型中進行判斷，直至輸出正常判斷結果；
9、s7：基于正常判斷結果及對應的傳輸信息集實時迭代更新所述網絡行為識別模型；所述第一傳輸信息集、第二傳輸信息集和第三傳輸信息集均包括：數據包容量信息、發送時間節點、傳輸路徑中各個網絡節點的數據包到達時間。
10、優選的，所述第一傳輸信息集的提取步驟包括：
11、獲取發送端ip和接收端ip；
12、根據ip獲取所處組網架構，計算其傳輸路徑并初始化所述傳輸路徑上各個網絡節點的時延權重；
13、獲取第一數據包的發送時間節點，基于傳輸路徑和時延權重計算傳輸路徑上各個網絡節點的數據包到達時間；
14、所述網絡行為識別模型實時迭代更新過程中對所述時延權重進行迭代更新。
15、優選的，實時將數據包上傳至緩存服務器的步驟包括：
16、為數據包分配唯一的數據包id，獲取發送端ip、發送時間節點，生成數據包報文頭，與所述數據包對應存儲；
17、所述數據包包括第一數據包或第二數據包；所述傳輸信息集包括第一傳輸信息集或第二傳輸信息集。
18、優選的，所述s6中從緩存服務器中調取所述第二數據包的步驟包括：
19、根據所述第二傳輸信息集獲取發送端ip和發送時間節點；
20、對緩存服務器中的數據包報文頭進行遍歷查找，調取當前發送端ip和發送時間節點對應的所述第二數據包。
21、優選的，所述s6還包括：
22、從緩存服務器中調取所述第二數據包重新發送至接收端的同時，對所述接收端在接收所述第二數據包后的下一個時間節點發出的數據包進行攔截；
23、根據輸出正常判斷結果對應的所述第二數據包的接收時間節點，恢復所述接收端在所述接收時間節點后的下一個時間節點的數據包發出操作。
24、優選的，所述s3中基于時域狀態空間融合深度學習算法構建網絡行為識別模型的步驟包括：
25、構建輸入層，將所述第一傳輸信息集輸入至所述輸入層；
26、構建特征提取層，使用cnn層對輸入的時間序列數據進行初步的特征提取，捕捉局部特征；
27、構建時序建模層，使用堆疊rnn層來處理經過特征提取的時間序列數據，捕捉動態獲取的第一數據包在網絡中的傳輸狀態和演變規律；所述堆疊rnn層的每一層都接收前一層的輸出作為輸入。
28、構建狀態空間融合層，整合不同時間步的狀態信息；
29、構建輸出層：使用全連接層和激活函數將融合后的特征轉換為最終的判斷結果。
30、優選的，所述特征提取層提取關鍵特征包括數據包大小的變化率、傳輸延遲和抖動特征。
31、優選的，所述s5中隔離異常網絡節點的步驟包括：
32、根據所述網絡行為識別模型輸出的包含異常行為的網絡節點，結合網絡拓撲結構和傳輸路徑記錄，定位到所述網絡節點；
33、通過組網架構中的安全設備啟動隔離機制，將所述網絡節點從組網架構中隔離。
34、本專利技術提出的基于大數據的異常信號智能識別方法相較現有技術具有以下有益效果：
35、精準識別漏包情況：本專利技術采用時域狀態空間融合深度學習算法構建的網絡行為識別模型，能夠精準地識別出由網絡擁塞、設備故障、鏈路不穩定等因素導致的漏包情況，大幅降低誤報和漏報率。
36、快速恢復機制：本專利技術結合數據包緩存與重發機制，一旦檢測到漏包，立即從緩存服務器中調取數據包重新發送，并通過智能路徑規劃避免重傳路徑選擇不當的問題，有效減少數據丟失和傳輸延遲。
37、自適應調整能力：本專利技術能夠根據網絡環境的變化自動調整檢測策略和恢復方案，確保在不同網絡條件下都能保持高效的漏包檢測和恢復能力。
38、智能化水平高：本專利技術通過不斷迭代更新網絡行為識別模型，系統能夠持續學習并適應網絡環境的動態變化，提高檢測的準確性和效率。
39、降低網絡負擔：本專利技術通過智能的漏包檢測和恢復機制，減少了不必要的重傳操本文檔來自技高網...
【技術保護點】
1.一種基于大數據的異常信號智能識別方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于大數據的異常信號智能識別方法，其特征在于，所述第一傳輸信息集的提取步驟包括：
3.根據權利要求1所述的一種基于大數據的異常信號智能識別方法，其特征在于，實時將數據包上傳至緩存服務器的步驟包括：
4.根據權利要求3所述的一種基于大數據的異常信號智能識別方法，其特征在于，所述S6中從緩存服務器中調取所述第二數據包的步驟包括：
5.根據權利要求1所述的一種基于大數據的異常信號智能識別方法，其特征在于，所述S6還包括：
6.根據權利要求1所述的一種基于大數據的異常信號智能識別方法，其特征在于，所述S3中基于時域狀態空間融合深度學習算法構建網絡行為識別模型的步驟包括：
7.根據權利要求6所述的一種基于大數據的異常信號智能識別方法，其特征在于，所述特征提取層提取關鍵特征包括數據包大小的變化率、傳輸延遲和抖動特征。
8.根據權利要求1所述的一種基于大數據的異常信號智能識別方法，其特征在于，所述S5中隔離異常網絡
...【技術特征摘要】
1.一種基于大數據的異常信號智能識別方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于大數據的異常信號智能識別方法，其特征在于，所述第一傳輸信息集的提取步驟包括：
3.根據權利要求1所述的一種基于大數據的異常信號智能識別方法，其特征在于，實時將數據包上傳至緩存服務器的步驟包括：
4.根據權利要求3所述的一種基于大數據的異常信號智能識別方法，其特征在于，所述s6中從緩存服務器中調取所述第二數據包的步驟包括：
5.根據權利要求1所述的一種基于...
【專利技術屬性】
技術研發人員：鞠悅蒙，楊穎，陸向艷，段松濤，李彬，崔潔，鄧麗君，王旭，孫帥，陳平，
申請(專利權)人：廣西大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。