本發(fā)明屬于網(wǎng)絡方法領域，更具體地說，本發(fā)明涉及一種基于本體的并行網(wǎng)絡流量分類方法。

背景技術：

作為管理和優(yōu)化各類網(wǎng)絡資源的關鍵技術，網(wǎng)絡流量分類廣泛應用于網(wǎng)絡監(jiān)控、服務質(zhì)量管理、網(wǎng)絡安全、態(tài)勢分析等領域，是高效實現(xiàn)網(wǎng)絡管理、流量控制以及安全檢測的重要環(huán)節(jié)。隨著Web技術的發(fā)展和企業(yè)信息化需求的不斷提高，許多新型網(wǎng)絡應用模式和需求

應運而生，網(wǎng)絡環(huán)境也升級為高速、大規(guī)模、復雜網(wǎng)絡，隨之而來的網(wǎng)絡流量數(shù)據(jù)呈現(xiàn)出新的特點：海量(數(shù)量驚人、信息豐富)、多源(數(shù)據(jù)源分布在離散的，彼此可以通信的多個網(wǎng)絡節(jié)點上)、異構(格式異構、語法異構、語義異構)，致使網(wǎng)絡流量分類面臨嚴峻的挑戰(zhàn)。

技術實現(xiàn)要素：

本發(fā)明所要解決的問題是提供一種基于本體的并行網(wǎng)絡流量分類方法。

為了實現(xiàn)上述目的，本發(fā)明采取的技術方案為：

一種基于本體的并行網(wǎng)絡流量分類方法，包括如下步驟：

（1）參數(shù)的設定

令N_i(1≤i≤n)表示第i個網(wǎng)絡節(jié)點ID，IP_i表示第i個網(wǎng)絡節(jié)點的IP，I_i表示第i個網(wǎng)絡節(jié)點的相關信息，F(xiàn)_j(1≤j≤m)表示第j條網(wǎng)絡流量標識，O_j表示第j條網(wǎng)絡流量的本體，M_NF表示從網(wǎng)絡節(jié)點流量數(shù)據(jù)到網(wǎng)絡流量的映射，R_FO表示從網(wǎng)絡流量到網(wǎng)絡流量本體的映射；

（2）啟動對應函數(shù)

根據(jù)每個網(wǎng)絡節(jié)點啟動對應的Map函數(shù)，其中，每個Map函數(shù)以鍵值對<N_i， IP_i>作為輸入；

（3）傳入結果

Map函數(shù)根據(jù)IP_i操作網(wǎng)絡節(jié)點，收集網(wǎng)絡節(jié)點相關信息I_i，并調(diào)用網(wǎng)絡流量采集工具捕獲網(wǎng)絡數(shù)據(jù)包，然后將采集到的所有資源傳入Combiner中間結果；

（4）信息整合成網(wǎng)絡流量

Combiner根據(jù)過濾規(guī)則提取所需網(wǎng)絡流量信息，并將數(shù)據(jù)包整合成網(wǎng)絡流量F_j，以鍵值對<I_i，F(xiàn)_j>的形式傳給Reduce函數(shù)，此時，傳向Reduce函數(shù)的每個鍵值對就對應著一條完整的網(wǎng)絡流量信息；

（5）自定位

Reduce函數(shù)根據(jù)接收到的鍵值對計算流量統(tǒng)計特征，并用本體語言OWL做統(tǒng)一資源描述，借助本體建模工具Protégé的API，完成網(wǎng)絡流量本體的構建；

（6）流量分類

接著分析網(wǎng)絡流量本體的內(nèi)部結構，將其轉(zhuǎn)換成知識推理的規(guī)則集形式，然后將本體流量實例和規(guī)則集一并輸入并行知識推理引擎，得出分類結果。

優(yōu)選的，所述步驟（6）中并行知識推理引擎是采用Map Reduce作為并行處理技術。

優(yōu)選的，所述Map Reduce作為并行處理技術構建了基于Map Reduce的網(wǎng)絡流量本體構建模型。

優(yōu)選的，所述步驟（6）中并行知識推理的實現(xiàn)步驟為：

①根據(jù)每個計算節(jié)點的性能以及網(wǎng)絡流量本體中所描述的網(wǎng)絡流量實例的數(shù)據(jù)規(guī)模，對已構建好的網(wǎng)絡流量本體進行分割，得到多個網(wǎng)絡流量本體分片O_j，將網(wǎng)絡流量本體分片上傳至Hadoop分布式文件系統(tǒng)，并對每一個網(wǎng)絡流量本體分片中描述的網(wǎng)絡流量實例標記為FI_l，以鍵值對<FI_l，O_j>作為Map函數(shù)的輸入；

②啟動多個Map函數(shù)并行地調(diào)用Jena推理機，利用規(guī)則集S

中的各條規(guī)則對網(wǎng)絡流量本體分片O_j中描述的與網(wǎng)絡流量實例FI_l有關的各種信息進行知識推理，得出FI_l的類標簽Lk，將<Lk，F(xiàn)I_l>作為鍵值對輸出到Reduce函數(shù)；

③Reduce函數(shù)根據(jù)L_k按類型合并F_j，形成已分類流量集C_k，至此完成流量本體集到已分類流量集的映射MR_OC。

優(yōu)選的，所述并行知識推理的實現(xiàn)步驟的前提是參數(shù)的設定。

優(yōu)選的，所述參數(shù)的設定為令Oj(1≤j≤n)表示第j個網(wǎng)絡流量本體分片，F(xiàn)I_l(1≤l≤p)表示第l個網(wǎng)絡流量實例標識(對應于第l條網(wǎng)絡流量Fl)，S表示推理引擎中的規(guī)則集，L_k(1≤k≤m)表示第k類(指應用類別)流量標簽，C_k表示第k類已分類流量集。

有益效果：本發(fā)明提供了一種基于本體的并行網(wǎng)絡流量分類方法，該方法建立在Map Reduce并行計算架構之上，結合網(wǎng)絡流量本體結構，設計基于Map Reduce的網(wǎng)絡流量本體構建方法，及并行知識推理的網(wǎng)絡流量分類方法，基于Map Reduce的網(wǎng)絡流量本體構建效率明顯高于單機環(huán)境，而且適當增加計算節(jié)點使得加速比線性提升，Map Reduce并行處理技術可以有效地提高網(wǎng)絡流量本體構建的效率及網(wǎng)絡流量的分類效率，可以適應大規(guī)模復雜網(wǎng)絡流量的實時、準確分類。

具體實施方式

一種基于本體的并行網(wǎng)絡流量分類方法，包括如下步驟：

（1）參數(shù)的設定

令N_i(1≤i≤n)表示第i個網(wǎng)絡節(jié)點ID，IP_i表示第i個網(wǎng)絡節(jié)點的IP，I_i表示第i個網(wǎng)絡節(jié)點的相關信息，F(xiàn)_j(1≤j≤m)表示第j條網(wǎng)絡流量標識，O_j表示第j條網(wǎng)絡流量的本體，M_NF表示從網(wǎng)絡節(jié)點流量數(shù)據(jù)到網(wǎng)絡流量的映射，R_FO表示從網(wǎng)絡流量到網(wǎng)絡流量本體的映射；

（2）啟動對應函數(shù)

根據(jù)每個網(wǎng)絡節(jié)點啟動對應的Map函數(shù)，其中，每個Map函數(shù)以鍵值對<N_i， IP_i>作為輸入；

（3）傳入結果

Map函數(shù)根據(jù)IP_i操作網(wǎng)絡節(jié)點，收集網(wǎng)絡節(jié)點相關信息I_i，并調(diào)用網(wǎng)絡流量采集工具捕獲網(wǎng)絡數(shù)據(jù)包，然后將采集到的所有資源傳入Combiner中間結果；

（4）信息整合成網(wǎng)絡流量

Combiner根據(jù)過濾規(guī)則提取所需網(wǎng)絡流量信息，并將數(shù)據(jù)包整合成網(wǎng)絡流量F_j，以鍵值對<I_i，F(xiàn)_j>的形式傳給Reduce函數(shù)，此時，傳向Reduce函數(shù)的每個鍵值對就對應著一條完整的網(wǎng)絡流量信息；

（5）自定位

Reduce函數(shù)根據(jù)接收到的鍵值對計算流量統(tǒng)計特征，并用本體語言OWL做統(tǒng)一資源描述，借助本體建模工具Protégé的API，完成網(wǎng)絡流量本體的構建；

（6）流量分類

接著分析網(wǎng)絡流量本體的內(nèi)部結構，將其轉(zhuǎn)換成知識推理的規(guī)則集形式，然后將本體流量實例和規(guī)則集一并輸入并行知識推理引擎，得出分類結果，并行知識推理引擎是采用Map Reduce作為并行處理技術，所述Map Reduce作為并行處理技術構建了基于Map Reduce的網(wǎng)絡流量本體構建模型，所述并行知識推理的實現(xiàn)步驟為：

①所述參數(shù)的設定為令Oj(1≤j≤n)表示第j個網(wǎng)絡流量本體分片，F(xiàn)I_l(1≤l≤p)表示第l個網(wǎng)絡流量實例標識(對應于第l條網(wǎng)絡流量Fl)，S表示推理引擎中的規(guī)則集，L_k(1≤k≤m)表示第k類(指應用類別)流量標簽，C_k表示第k類已分類流量集；

②根據(jù)每個計算節(jié)點的性能以及網(wǎng)絡流量本體中所描述的網(wǎng)絡流量實例的數(shù)據(jù)規(guī)模，對已構建好的網(wǎng)絡流量本體進行分割，得到多個網(wǎng)絡流量本體分片O_j，將網(wǎng)絡流量本體分片上傳至Hadoop分布式文件系統(tǒng)，并對每一個網(wǎng)絡流量本體分片中描述的網(wǎng)絡流量實例標記為FI_l，以鍵值對<FI_l，O_j>作為Map函數(shù)的輸入；

③啟動多個Map函數(shù)并行地調(diào)用Jena推理機，利用規(guī)則集S

中的各條規(guī)則對網(wǎng)絡流量本體分片O_j中描述的與網(wǎng)絡流量實例FI_l有關的各種信息進行知識推理，得出FI_l的類標簽Lk，將<Lk，F(xiàn)I_l>作為鍵值對輸出到Reduce函數(shù)；

④Reduce函數(shù)根據(jù)L_k按類型合并F_j，形成已分類流量集C_k，至此完成流量本體集到已分類流量集的映射MR_OC。

本發(fā)明提供了一種基于本體的并行網(wǎng)絡流量分類方法，該方法建立在Map Reduce并行計算架構之上，結合網(wǎng)絡流量本體結構，設計基于Map Reduce的網(wǎng)絡流量本體構建方法，及并行知識推理的網(wǎng)絡流量分類方法，基于Map Reduce的網(wǎng)絡流量本體構建效率明顯高于單機環(huán)境，而且適當增加計算節(jié)點使得加速比線性提升，Map Reduce并行處理技術可以有效地提高網(wǎng)絡流量本體構建的效率及網(wǎng)絡流量的分類效率，可以適應大規(guī)模復雜網(wǎng)絡流量的實時、準確分類。

以上所述僅為本發(fā)明的實施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書內(nèi)容所作的等效結構或等效流程變換，或直接或間接運用在其他相關的技術領域，均同理包括在本發(fā)明的專利保護范圍內(nèi)。