7、互联网视频流量的精准识别

互联网视频流量的精准识别

在当今数字化时代，互联网视频流量占据了网络流量的很大比例。准确识别互联网视频流量对于网络管理、内容分发和安全监控等方面都具有重要意义。本文将介绍一种新的特征提取方法，用于准确识别互联网视频流量的类型。

1. 相关研究概述

在网络流量识别方面，已有一些方法被提出。例如，有人使用时间窗口从网络流数据包的头部生成简单有效的特征；还有人结合随机森林和 k - 均值提出了鲁棒统计流量分类方案，以解决零日应用程序的问题；也有人使用 IDGC 模型来识别不平衡流量。但这些方法主要是对应用类型进行识别，而非视频类型，识别粒度较粗。

在视频内容识别方面，许多研究使用计算机视觉技术。不过，大多数方法处理的是静态和完整的数据，实时处理能力较差。例如，有人提出使用分层支持向量机根据十个可计算的时空特征区分不同视频类型；有人通过视觉干扰特征和每部电影的平均镜头长度成功对电影类型进行分类；还有人提出了基于特征选择和集成分类的转导学习框架用于鲁棒视频内容分析等。在视频流量识别方面，也有一些研究提出了新的特征选择和分类方法，但大多只是识别众多网络流量中视频应用产生的流量。而以色列学者的方法在流量层面为识别视频内容和类型打开了大门，他们通过数据包的突发模式特征和卷积神经网络方法取得了较好的结果，具体识别对象是视频的标题。

2. 研究框架

研究框架主要包含三个阶段：
1. 数据收集 ：捕获原始视频流量数据并存储在服务器中，然后对原始数据进行预处理，如过滤噪声数据和汇聚 TCP 流。由于大多数互联网视频流使用 TCP 协议传输，所以只考虑 TCP 流。预处理后生成处理后的原始视频流量数据集。