异构环境的网络流量分类方法、装置、终端及存储介质【中国发明】
一、专利名称及专利号
名称：《异构环境的网络流量分类方法、装置、终端及存储介质》
专利号：ZL202210663072.9
二、应用领域
本发明涉及互联网技术领域，尤其涉及的是一种异构环境的网络流量分类方法、装置、终端及存储介质。
三、专利说明
1、摘要：
本发明公开了异构环境的网络流量分类方法、装置、终端及存储介质，通过将目标网络环境的全局流量分类模分发至各客户端；获取各客户端的采样值，其中，每一客户端的采样值基于该客户端的模型偏度确定；根据各客户端的采样值确定目标客户端；根据各目标客户端对全局流量分类模型进行更新，得到目标全局流量分类模型。本发明通过模型偏度选取目标客户端，再通过各目标客户端的局部流量分类模型更新全局流量分类模型，可以解决现有的基于联邦学习的移动网络流量分类在异构环境下，无法消除模型聚合中数据分布差异大的客户端参与平均的影响，导致流量分类精度下降的问题。
2、背景：
移动网络流量分类是将边缘设备产生的网络流量数据分为不同的类别，在流量工程(Traffic Engineering)、网络入侵检测、网络监控和服务质量(QoS)等网络安全和管理应用中发挥着重要作用。传统的网络流量分类方法主要可分为三类：基于端口的方法、基于有效负载的方法和基于机器学习的方法。随着人工智能(Artificial Intelligence)技术的快速发展，深度学习(Deep Learning)等机器学习方法越来越受欢迎。但是所有传统的方法都是从不同的边缘设备收集移动流量数据，并集中处理这些流量数据，这种处理方式存在隐私泄露和威胁数据安全等问题。因此，基于隐私保护的网络流量分类研究已引起全世界的关注。
基于联邦学习的移动网络流量分类是利用本地客户端中的原始流量数据来解决了流量分类中的隐私和安全问题，在保护用户隐私方面显示出了巨大的潜力。然而现有的联邦学习流量分类解决方案，主要是对局部流量分类模型进行平均，以获得全局模型。然而，由于应用服务和用户偏好的不同，在不同的客户端中的流量类别分布是不同的，即存在流量数据异构性(或非独立相同分布(非IID)数据)。因此现有的基于联邦学习的移动网络流量分类在异构环境下，无法消除模型聚合中数据分布差异大的客户端参与平均的影响，最终导致流量分类精度下降。
四、相关文件下载
