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

在互联网飞速发展的今天，视频流量在网络中占据了越来越大的比重。准确识别互联网视频流量对于网络管理、内容推荐、安全监控等方面都具有重要意义。本文将介绍一种新的互联网视频流量类型识别方法，通过计算目标视频流量数据包的字节码特征（BCD），实现对不同类型视频流量的精准识别。

现有研究方法概述

在网络流量识别方面，已有一些相关研究。例如，Qiao等人提出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；Zhang等人引入了结合随机森林和k - 均值的鲁棒统计流量分类（RTC）方案来解决零日应用程序的问题；Peng等人使用IDGC模型识别不平衡流量。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，但大多处理静态和完整的数据，实时处理能力较差。如Yuan等人提出使用分层支持向量机基于十个可计算的时空特征区分不同视频类型；Rasheed和Shah通过视觉干扰特征和每部电影的平均镜头长度对电影类型进行分类；Ewerth等人提出了基于特征选择和集成分类的转导学习框架进行鲁棒视频内容分析等。也有一些关于视频流量识别的研究，如Dong等人提出基于一致性的特征分析和选择方法来系统地找到新的有效特征进行视频流量分类，并开发了分层k - 最近邻（KNN）分类算法；Mu等人研究了基于马尔可夫模型的并行网络流分类方法。不过，这些研究大多只是在众多网络流量中识别视频应用产生的流量，而以色列学者的方法则开启了在流量层面识别视频内容和类型的大门，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，具体识别对象为视频标题。

研究框架

研究框架主要包含三个阶段：数据收集、特征提