一种面向直播场景的加密视频流量识别方法及系统

1.本发明属于网络安全与管理领域，尤其涉及一种面向直播场景的加密视频流量识别方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.流量分析与识别是改善网络服务质量、维护网络空间安全的基础之一。随着互联网技术的普及应用和人们生活水平的不断提高，视频流媒体作为主要的互联网应用之一，在人们的日常生活中得到了广泛应用。由此，各种视频应用产生的流量在网络中的占比也越来越大，而在其中，直播应用产生的视频流量又占据了视频应用流量的一大部分。为此，越来越多的直播应用供应商选择对其提供的直播视频流进行加密，以防止用户的个人信息和个人数据遭到泄露。虽然加密后的流量保护了用户的隐私，提高了通信的安全性，但也为网络服务质量的改善和互联网空间的安全检测带来了新的挑战。例如，运营商需要根据不同的视频类型来合理分配带宽以提升用户体验。如用户在观看具有高实时性要求的体育赛事类直播时，对于带宽的需求往往高于对观看带货直播的带宽需求。另一方面，网络安全工作人员需要对直播流量加以监管以维护网络空间的安全。如何实现对加密直播视频流量的快速有效识别，成为了目前亟待解决的问题。
4.受到流加密技术和动态端口技术的影响，传统的深度包检测(dpi)技术和网络端口映射技术已经失去了其效用。目前对加密视频流量分析识别问题的研究主要分为两种：一是从网络报文或者流信息中提取视频帧中的画面特征、音频特征等构建视频指纹，然后利用指纹匹配技术来对视频流量进行识别。视频指纹方法的表示简洁，有着较高的准确性。但是指纹匹配需要建立视频指纹的一个完备的包含所有视频指纹的数据库，成本相当高昂；并且目前对于指纹匹配方面的研究仅完成了对视频流量的粗粒度识别，例如对视频标题和应用的识别，并没有关注到视频场景类型的细粒度识别。
5.二是利用机器学习方法，从网络报文或者流信息中提取特征送入机器学习模型中来完成视频流量的识别。该方法有良好的识别准确度。但是机器学习模型的识别效果与网络流量的特征集的选择紧密相关，特征的有效性直接决定了模型的识别性能。此外，目前视频流量识别研究中大多使用机器学习模型来完成视频应用和标题的识别，并没有对特征和视频场景之间的因果关系进行分析。
6.综上所述，现有方法对于视频流量的分析识别尚存在着不足之处，且针对直播视频场景的分析识别更是少之又少。


技术实现要素：

7.为了解决上述背景技术中存在的技术问题，本发明提供一种面向直播场景的加密视频流量识别方法及系统，其通过引入了sr-sketch、峰值点特征与因果推理模型，以实现
对直播视频流量及直播视频类型(如体育竞技类，生活类等)的高效识别。
8.为了实现上述目的，本发明采用如下技术方案：
9.本发明的第一个方面提供一种面向直播场景的加密视频流量识别方法。
10.一种面向直播场景的加密视频流量识别方法，包括：
11.识别获取的dns数据包的dns请求域名，得到属于直播视频类型域名的流量数据；
12.将所述流量数据的域名与先验知识库中的域名进行匹配操作，若能匹配，则所述流量数据为直播视频流数据，提取所述流量数据的流级别特征；否则，
13.计算所述流量数据每个周期内的持久度和频度，并进一步根据所述流量数据每个周期内的持久度和频度，计算所述流量数据的重要程度；当最终周期内的重要程度高于重要度阈值时，则将所述流量数据视为直播视频流数据，并提取流级别特征；
14.基于所述流级别特征，采用因果推理模型，识别视频类型。
15.进一步地，所述计算所述流量数据一个周期内的持久度和频度的过程包括：
16.确定所述流量数据的每个周期内频数；
17.当周期内所述流量数据的频数大于设定上限阈值时，增加流量数据的频度；
18.当周期内所述流量数据的频数小于设定下限阈值时，减少流量数据的频度；
19.若当前周期内的流量数据在当前周期内出现过，则增加流量数据的持久度，否则，减少流量数据的持久度。
20.更进一步地，所述确定所述流量数据的每个周期内频数的过程包括：查询所述流量数据的相关信息是否已保存在数组中，若是，则增加所述流量数据当前周期内的频数，否则，将所述流量数据的相关信息保存在数组中，并增加所述流量数据当前周期内的频数。
21.进一步地，所述根据所述流量数据每个周期内的持久度和频度，计算所述流量数据的重要程度的过程采用以下公式：
22.重要程度＝α
×
sigmoid(流频度-100)+β
×
sigmoid(流持久度-100)
23.其中，α和β默认为1，流持久度和流频度初值预设为100。
24.进一步地，所述的dns数据包通过对获取的原始混杂流量数据包进行协议分析得到。
25.进一步地，所述流级别特征包括普通特征和峰值点特征。
26.更进一步地，在识别视频类型之后还包括，将未存储在先验知识库中的流量数据的域名存储到先验知识库中。
27.本发明的第二个方面提供一种面向直播场景的加密视频流量识别系统。
28.一种面向直播场景的加密视频流量识别系统，包括：
29.域名识别模块，其被配置为：识别获取的dns数据包的dns请求域名，得到属于直播视频类型域名的流量数据；
30.匹配判断模块，其被配置为：将所述流量数据的域名与先验知识库中的域名进行匹配操作，若能匹配，则所述流量数据为直播视频流数据，提取所述流量数据的流级别特征；否则，
31.计算判断模块，其被配置为：计算所述流量数据每个周期内的持久度和频度，根据所述流量数据每个周期内的持久度和频度，计算所述流量数据的重要程度；当最终周期内的重要程度高于重要度阈值时，则将所述流量数据视为直播视频流数据，并提取流级别特
征；
32.因果推理模块，其被配置为：基于所述流级别特征，采用因果推理模型，识别视频类型。
33.本发明的第三个方面提供一种计算机可读存储介质。
34.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的面向直播场景的加密视频流量识别方法中的步骤。
35.本发明的第四个方面提供一种计算机设备。
36.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的面向直播场景的加密视频流量识别方法中的步骤。
37.与现有技术相比，本发明的有益效果是：
38.与现有技术相比，本发明利用sr-sketch数据结构实现视频流的早期快速识别；利用峰值点特征和因果推理模型提高了对直播视频流量的识别准确度并且能够识别出直播视频流量所属的类型。
39.本发明通过公开一种面向直播场景的加密视频流量识别方法及系统，能够对加密后的流量进行分析，并且克服了现有机器学习模型高度依赖训练数据集质量的缺陷，能够实现对直播视频流量及直播场景的准确识别，同时显著地提升了识别的效率。
40.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
41.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
42.图1是本发明提供的一种面向直播场景的加密视频流量识别方法的流程图；
43.图2是本发明提供的一种面向直播场景的加密视频流量识别方法的框架图；
44.图3是本发明提供的因果推理模型的框架图。
具体实施方式
45.下面结合附图与实施例对本发明作进一步说明。
46.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
47.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
48.需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多
个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
49.术语解释：
50.1、sr-sketch：是以sketch数据结构为基础实现的一种统计规则数据结构。
51.2峰值点特征：是以一段时间内的数据传输量最大值为基础提取出的有效特征。
52.3、因果推理模型：是一种用于探究变量之间因果关系的算法框架，可以分析直播场景和提取出的视频特征之间的结构因果关系、参数因果关系，并基于这些因果关系进行直播场景的推理。
53.4、winpcap(windows packet capture)是windows平台下一个免费，公共的网络访问系统，它用于windows系统下的直接的网络编程。
54.实施例一
55.本实施例提供了一种面向直播场景的加密视频流量识别方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。本实施例中，该方法包括以下步骤：
56.识别获取的dns数据包的dns请求域名，得到属于直播视频类型域名的流量数据；
57.将所述流量数据的域名与先验知识库中的域名进行匹配操作，若能匹配，则所述流量数据为直播视频流数据，提取所述流量数据的流级别特征；否则，
58.计算所述流量数据每个周期内的持久度和频度，根据所述流量数据每个周期内的持久度和频度，计算所述流量数据的重要程度；当最终周期内的重要程度高于重要度阈值时，则将所述流量数据视为直播视频流数据，并提取流级别特征；
59.基于所述流级别特征，采用因果推理模型，识别视频类型。
60.下面结合附图对本实施例的具体方案进行详细介绍，如图1、图2所示：
61.s1：收集网络内的原始流量。
62.使用winpacp(windows packet capture)开发包来进行开发，收集使用windows系统的主机设备中产生的网络流量。
63.s2：对原始数据包进行协议分析，分析识别出dns数据包。
64.首先根据收集到的网络流量中的五元组信息，使用xxhash散列函数算法生成64位数据包流id。在后续流程中，将流id相同的数据包作为同一个数据流进行处理。然后判断数据包是否为dns数据包。若为dns类型数据包，则存储其dns请求域名及ip地址。
65.s3：对dns数据包中提取出的域名与预先建立好的先验知识库中的直播视频域名进行正则匹配操作，若匹配则将该数据包对应的流直接判定为直播视频流，然后提取该流的流级别特征。其中流级别特征包括普通特征和峰值点特征，通过将这些特征信息送入因果推理模型来进行进一步的视频场景分析。其中提取的峰值点特征和普通特征的详细信息如表1和表2所示。若不匹配则执行步骤s4和步骤s5。
66.表1：提取的峰值点特征列表
[0067][0068][0069]
表2：提取的普通特征列表
[0070]
特征名特征含义fiat_*上行流中的包到达时间(mean,std)diat_*下行流中的包到达时间(mesn,std)diat_*整个流中的包到达时间(mean,std)dwin_*整个流中的包tcp窗口大小(total,mean,std)fpl_*上行流中的包载荷大小(total,mean,std)bpl_*下行流中的包载荷大小(total,mean,std)dpl_*整行流中的包载荷大小(total,mean,std)*pnum_s上行、下行、整体三个方向上流的包速率*pl_s上行、下行、整体三个方向上流的载荷速率dp_hdr_len整个流的包头大小d_ht_len整个流的包头与包载荷的比例bfpnum_rate上行流与下行流中包个数之比bfpl_rate上行流与下行流中包载荷之比
[0071]
s4：使用sr-sketch筛选出大概率为直播视频流的流量，并提取这些流的流级别特征。
[0072]
其中，直播视频流量和非直播视频流量的预筛选通过流的重要程度来判断。流的重要程度通过一个预设计好的非线性重要度计算函数得出。该函数需要统计流量在一个周期内的持久度和频度，其后以流的持久度和频度为基础计算出流的重要程度。流的持久度和频度存储在sr-sketch数据结构中。对于重要程度低于预先设定的重要度阈值的流，视为非直播视频流将其剔除。对于重要程度高于重要度阈值的流则视为可能的视频流，提取其流级别信息送入因果推理模型中以实现进一步的识别判断。
[0073]
具体地，sr-sketch数据结构包括两个位数组、一个二维数组桶、一个周期扫描函数和一个预先设定好的重要度计算函数。二维数组桶和位数组的大小需要在考虑主机的内存大小的基础上，尽可能的设置较大。其中，两个位数组用于判断流的数据包总量是否已达到k个和判断流是否为域名正则匹配模块筛选出的视频流。二维数组桶用于统计流的持久度、频度；并保存流的前k个包的大小、到达时间、流id、流大小、流的持久度、流的频度、流在当前周期内的频数和流在当前周期中是否出现过的标志位。其中k的大小预设为3000。周期扫描函数用于实现对二维数组桶的周期性扫描，其中周期大小预设为3秒。重要度度量函数以流的持久度和频度为基准，计算出流的重要程度。其中流的持久度和频度的初值设为100。流重要程度计算函数公式为：
[0074]
重要程度＝α
×
sigmoid(流频度-100)+β
×
sigmoid(流持久度-100)
[0075]
其中，α和β默认为1。
[0076]
非dns类型数据包到达时，根据s2中生成的流id将其相关信息存储到二维数组桶中对应的位置。若该数据包对应的流已满，则不更新流的相关信息。在每个周期中，根据重要度计算函数计算出非满流的重要度并不断更新，根据最终的重要度来判断是否为潜在的可能直播视频流。若二位数组桶已满并且有新流到来，则将桶中重要度最低的流替换为新流并初始化新流的信息。
[0077]
更为具体地，对于视频流的判断，包括下列步骤：
[0078]
a：执行周期扫描函数。数据包到达时，若该数据包从属的流的相关信息已经保存在二维数组桶中，则增加该流当前周期内的频数；若该数据包从属的流的相关信息未保存在二维数组桶中，则将该数据包对应的流id、大小等信息存入二维数组桶中，并且增加该流当前周期内的频数。由于直播视频流量具有高频度、高持久度的特点，当周期内流的频数大于设定的上限阈值时，增加流的频度；当周期内流的频数小于设定的下限阈值时，减少流的频度。其中，频数上限阈值设置为30，下限阈值设置为5。
[0079]
若二维数组桶中的流在当前周期内出现过，则增加流的持久度，否则减少流的持久度。具体地，使用时钟扫描函数对二维数组桶中的所有桶进行逐个扫描，以恒定速率扫描完所有桶。若二维数组桶中的流的标志位为1，则表明该流在当前周期内出现过，因此增加流的持久度，然后将标志位置0；若标志位是0，则表明该流在当前周期内没有出现过，因此减少流的持久度。
[0080]
b：当数据包到达的个数为k时，视为流满。此时将所记录的，由流的持久度和频度计算出的流的重要程度与预先设定的重要度阈值进行比较，若重要度高于阈值时则将该流视为直播视频流。并提取该流的流级别特征(包括普通特征和峰值点特征)，以用于将这些信息送入因果推理模型中进行进一步的识别分析。其中对流提取的峰值点特征和普通特征与步骤s2表中所述相同。
[0081]
s5：使用因果推理模型对流量进行最终识别，判断其是否为直播视频流量，若为直播视频流量，则进一步判断其所属的视频类型，如户外运动、日常生活、电子竞技等。其中，因果推理模型包括流量特征输入、因果结构学习、因果参数学习三个子部分，并且因果推理模型已经在训练集上预训练完毕。
[0082]
如图3所示，因果推理模型的框架中，从流量中获取流级别的特征，将流级别的特征输入推理网络，为了降低模型的训练难度，利用特征选择算法从中挑选最相关特征作为因果特征，联合直播标签形成因果变量集。其次利用notears算法，从因果变量集中学习流量特征与直播标签的因果结构，并且利用马尔科夫毯确定与标签直接相关的条件变量集，缩减上下文。然后通过最大后验概率(map)计算在离散化的特征条件下对应标签概率，实现推理网络的因果参数学习。最后综合流量特征与直播标签的因果结构与参数，实现标签推理与因果分析，得到视频类型。
[0083]
s6：更新先验知识库，对直播视频流量进行数据清洗，将该流对应的域名加入到先验知识库中。
[0084]
实施例二
[0085]
本实施例提供了一种面向直播场景的加密视频流量识别系统。
[0086]
一种面向直播场景的加密视频流量识别系统，包括：
[0087]
域名识别模块，其被配置为：识别获取的dns数据包的dns请求域名，得到属于直播视频类型域名的流量数据；
[0088]
匹配判断模块，其被配置为：将所述流量数据的域名与先验知识库中的域名进行匹配操作，若能匹配，则所述流量数据为直播视频流数据，提取所述流量数据的流级别特征；否则，
[0089]
计算判断模块，其被配置为：计算所述流量数据每个周期内的持久度和频度，根据所述流量数据每个周期内的持久度和频度，计算所述流量数据的重要程度；当最终周期内的重要程度高于重要度阈值时，则将所述流量数据视为直播视频流数据，并提取流级别特征；
[0090]
因果推理模块，其被配置为：基于所述流级别特征，采用因果推理模型，识别视频类型。
[0091]
此处需要说明的是，上述域名识别模块、匹配判断模块、计算判断模块和因果推理模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
[0092]
实施例三
[0093]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的面向直播场景的加密视频流量识别方法中的步骤。
[0094]
实施例四
[0095]
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的面向直播场景的加密视频流量识别方法中的步骤。
[0096]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序
产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0097]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0098]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0099]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0100]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0101]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种面向直播场景的加密视频流量识别方法，其特征在于，包括：识别获取的dns数据包的dns请求域名，得到属于直播视频类型域名的流量数据；将所述流量数据的域名与先验知识库中的域名进行匹配操作，若能匹配，则所述流量数据为直播视频流数据，提取所述流量数据的流级别特征；否则，计算所述流量数据每个周期内的持久度和频度，根据所述流量数据每个周期内的持久度和频度，计算所述流量数据的重要程度；当最终周期内的重要程度高于重要度阈值时，则将所述流量数据视为直播视频流数据，并提取流级别特征；基于所述流级别特征，采用因果推理模型，识别视频类型。2.根据权利要求1所述的面向直播场景的加密视频流量识别方法，其特征在于，所述计算所述流量数据一个周期内的持久度和频度的过程包括：确定所述流量数据的每个周期内频数；当周期内所述流量数据的频数大于设定上限阈值时，增加流量数据的频度；当周期内所述流量数据的频数小于设定下限阈值时，减少流量数据的频度；若当前周期内的流量数据在当前周期内出现过，则增加流量数据的持久度，否则，减少流量数据的持久度。3.根据权利要求2所述的面向直播场景的加密视频流量识别方法，其特征在于，所述确定所述流量数据的每个周期内频数的过程包括：查询所述流量数据的相关信息是否已保存在数组中，若是，则增加所述流量数据当前周期内的频数，否则，将所述流量数据的相关信息保存在数组中，并增加所述流量数据当前周期内的频数。4.根据权利要求1所述的面向直播场景的加密视频流量识别方法，其特征在于，所述根据所述流量数据每个周期内的持久度和频度，计算所述流量数据的重要程度的过程采用以下公式：重要程度＝α
×
sigmoid(流频度-100)+β
×
sigmoid(流持久度-100)其中，α和β默认为1。5.根据权利要求1所述的面向直播场景的加密视频流量识别方法，其特征在于，所述的dns数据包通过对获取的原始混杂流量数据包进行协议分析得到。6.根据权利要求1所述的面向直播场景的加密视频流量识别方法，其特征在于，所述流级别特征包括普通特征和峰值点特征。7.根据权利要求1-6任一项所述的面向直播场景的加密视频流量识别方法，其特征在于，在识别视频类型之后还包括，将未存储在先验知识库中的流量数据的域名存储到先验知识库中。8.一种面向直播场景的加密视频流量识别系统，其特征在于，包括：域名识别模块，其被配置为：识别获取的dns数据包的dns请求域名，得到属于直播视频类型域名的流量数据；匹配判断模块，其被配置为：将所述流量数据的域名与先验知识库中的域名进行匹配操作，若能匹配，则所述流量数据为直播视频流数据，提取所述流量数据的流级别特征；否则，计算判断模块，其被配置为：计算所述流量数据每个周期内的持久度和频度，根据所述流量数据每个周期内的持久度和频度，计算所述流量数据的重要程度；当最终周期内的重
要程度高于重要度阈值时，则将所述流量数据视为直播视频流数据，并提取流级别特征；因果推理模块，其被配置为：基于所述流级别特征，采用因果推理模型，识别视频类型。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的面向直播场景的加密视频流量识别方法中的步骤。10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的面向直播场景的加密视频流量识别方法中的步骤。

技术总结
本发明属于网络安全与管理领域，提供了一种面向直播场景的加密视频流量识别方法及系统。该方法包括，识别获取的DNS数据包的DNS请求域名，得到属于直播视频类型域名的流量数据；将所述流量数据的域名与先验知识库中的域名进行匹配操作，若能匹配，则所述流量数据为直播视频流数据，提取所述流量数据的流级别特征；否则，计算所述流量数据每个周期内的持久度和频度，根据所述流量数据每个周期内的持久度和频度，计算所述流量数据的重要程度；当最终周期内的重要程度高于重要度阈值时，则将所述流量数据视为直播视频流数据，并提取流级别特征；基于所述流级别特征，采用因果推理模型，识别视频类型。识别视频类型。识别视频类型。


技术研发人员：彭立志 杨庆盛 鲍英铄 刘帅利 熊健
受保护的技术使用者：济南大学
技术研发日：2023.05.30
技术公布日：2023/8/28