• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于機器學習和深度學習的網(wǎng)絡流量分類研究

    2021-04-17 16:05:32顧玥李丹高凱輝
    電信科學 2021年3期
    關(guān)鍵詞:實時性字節(jié)數(shù)據(jù)包

    顧玥,李丹,,高凱輝

    (1. 清華大學,北京 100084;2. 清華大學深圳國際研究生院,廣東 深圳 518055)

    1 引言

    隨著互聯(lián)網(wǎng)的不斷發(fā)展,不同類型的應用程序不斷涌現(xiàn)。應用程序會產(chǎn)生大量的網(wǎng)絡流量,而不同類型的流量會呈現(xiàn)出不同的特征。流量分類的目標就是根據(jù)流量的區(qū)分性特征識別流量的類別[1]。網(wǎng)絡流量分類對網(wǎng)絡運營商是十分必要的:一方面,從用戶服務質(zhì)量(QoS)的角度來說,流量分類是保障QoS的第一步,是根據(jù)不同業(yè)務類型的要求為業(yè)務提供區(qū)分服務的前提[1];另一方面,從安全的角度來說,流量分類是異常網(wǎng)絡流量檢測的第一步,可以更好地保護網(wǎng)絡安全[2]。近幾年,隨著用戶對隱私保護需求的不斷增加,以及加密技術(shù)的不斷發(fā)展,越來越多的流量被加密處理,這對網(wǎng)絡流量分類提出了新的挑戰(zhàn)。

    傳統(tǒng)的流量分類方法有兩類:一類是基于端口號的識別方法,即根據(jù)端口號對應的協(xié)議號進行識別,但隨著端口混淆技術(shù)的出現(xiàn),這種方法漸漸失效[1];另一類是基于DPI的識別方法,即基于預定義的各個類別的正則表達式,匹配數(shù)據(jù)包負載以確定類別。但這種方法隨著流量加密也漸漸不可行[1]。

    隨著傳統(tǒng)的流量分類方法的失效,研究者開始探索新的流量分類方法。近年來不斷發(fā)展的機器學習技術(shù)受到了研究者的廣泛關(guān)注。機器學習技術(shù)相較于傳統(tǒng)分類方法更加自動化和智能化,可以根據(jù)流的統(tǒng)計特征分類,避免了流量加密帶來的影響。鑒于這個優(yōu)勢,研究者提出基于機器學習算法做流量分類的方法,目前廣泛使用的機器學習算法有決策樹算法、隨機森林算法、支持向量機算法等。這些分類方法都具有良好的分類準確性,并且得到了學術(shù)界和工業(yè)界的廣泛認可。然而基于機器學習的流量分類方法需要專家經(jīng)驗提取和篩選流量的特征,這會消耗大量的人力資源??紤]到這一點,研究者又提出了基于深度學習的端到端的流量分類方法[3]?;谏疃葘W習的方法可以直接基于原始的流量數(shù)據(jù)進行分類,不需要人為提取特征,一方面節(jié)省了人力,另一方面保證了分類準確性,成為學術(shù)界研究的熱點[3]。

    雖然目前有大量的流量分類研究工作,但大部分流量分類方法在線上部署時仍面臨著很多問題。首先,由于運營商傾向于在骨干網(wǎng)邊緣上進行流量分類,無論在高速的骨干網(wǎng)絡中進行流量采集還是在線下做骨干網(wǎng)流量數(shù)據(jù)標注都非常困難。即使能夠在網(wǎng)絡邊緣設備上采集到流量數(shù)據(jù),也會因為無法控制采集的流量類型而出現(xiàn)樣本不均衡問題,影響分類的準確性[4]。其次,如何將流量分類器部署到邊緣網(wǎng)絡設備中也是一個需要考慮的問題。在網(wǎng)絡設備中,存儲空間和CPU性能都非常有限[5],這對分類器的部署來說是很大的挑戰(zhàn)。最后,新應用程序的層出不窮使得分類器應該具有對新流量進行準確識別的能力[6],而新流量呈現(xiàn)的新特性加大了流量分類的難度。

    2 網(wǎng)絡流量分類問題概述

    2.1 問題定義

    (1)流

    網(wǎng)絡流是網(wǎng)絡數(shù)據(jù)包的集合。把具有相同五元組(源IP地址、源端口號、目的IP地址、目的端口號、協(xié)議號)的數(shù)據(jù)包集合定義為一條流。流根據(jù)其方向性,可以分為單向流(源、目的不可互換)和雙向流(源、目的可互換)兩種。

    (2)流量分類

    流量分類的目標就是根據(jù)流量的區(qū)分性特征將流量的類別識別出來[1]。

    (3)特征選擇

    流量的特征分為包級特征和流級特征兩種。包級特征即包大小、包時間間隔、包的原始字節(jié)(又分為包頭的原始字節(jié)和包負載的原始字節(jié))等。流級特征即流的長度(即包的個數(shù))、流的持續(xù)時間等。

    以上是基本的流量特征選擇,不同的研究工作會在此基礎(chǔ)上進行特征選擇。

    (4)分類粒度

    網(wǎng)絡流量分類問題有3種不同的分類粒度:應用識別、大類識別、用戶行為識別。不同的流量分類場景要求不同的分類粒度。如果運營商想要監(jiān)測各應用程序流量占比情況,或想要識別惡意應用程序,那么分類粒度就是應用識別,即識別應用程序的名稱,例如微信、QQ、愛奇藝等應用程序;如果運營商想要為不同類型應用程序提供區(qū)分服務,以滿足不同的需求,那么分類粒度就是大類識別,即識別不同應用程序的類型,例如即時通信類應用、文件傳輸類應用、視頻類應用;如果運營商想要掌握用戶在使用應用程序時的用戶行為,那么分類粒度就是用戶行為識別,例如發(fā)送圖片、語音、文字等用戶行為。

    2.2 性能指標

    流量分類的分類指標有兩個,一個是準確性,另一個是實時性。準確性是分類問題的重要指標,是評判分類效果的重要標準。準確性度量指標有4個:準確率(accuracy)、精度(precision)、召回率(recall)、F1分數(shù)(F1-score)。計算過程如下。

    · 真正(true positive,TP):表示被分類模型正確預測的正樣本數(shù)。

    · 假負(false negative,F(xiàn)N):表示被分類模型錯誤預測的正樣本數(shù)。

    · 假正(false positive,F(xiàn)P):表示被分類模型錯誤預測的負樣本數(shù)。

    · 真負(true negative,TN):表示被分類模型正確預測的負樣本數(shù)。此外,有些應用是時延敏感型應用,例如在線搜索、社交網(wǎng)絡、在線零售等。這些應用的服務時間直接影響應用的用戶體驗甚至運營商的效益。時延敏感型應用的數(shù)據(jù)流大部分是短流,持續(xù)時間為幾十到幾百微秒。因此為了滿足這些時延敏感型應用的性能需求,需要保證分類的實時性,即實現(xiàn)快速分類。實時性即對整個分類過程所花費的時間進行度量。整個流量分類的過程分為兩步:特征獲取和分類器分類。因此實時性指標度量公式定義如下:

    3 網(wǎng)絡流量分類方法

    3.1 基于機器學習的方法

    基于機器學習的流量分類方法的分類過程包括兩個階段:特征提取和分類器分類。整個流程如圖1所示。

    特征提取/特征選擇階段通常是對數(shù)據(jù)流的包大小、包時間間隔等包級特征求取平均值、方差、中位數(shù)、分位數(shù)等統(tǒng)計特征,并進一步做特征分析,選取有效特征。由于這一階段需要收集足夠多的數(shù)據(jù)包,并且往往都伴隨著一定時間的特征計算和特征選擇,因此不利于分類的實時性。

    圖1 基于機器學習的分類方法流程

    目前有大量基于機器學習的流量分類方法被提出。Auld等[7]提出了一種貝葉斯神經(jīng)網(wǎng)絡,該網(wǎng)絡經(jīng)過訓練可以對包括Kazaa、BitTorrent、GnuTella等著名的P2P協(xié)議進行分類,并實現(xiàn)99%的準確率。Moore等[8]使用樸素貝葉斯分類器和核密度估計器,基于流的統(tǒng)計特征來分類,統(tǒng)計特征包括流內(nèi)包大小、包時間間隔的平均值、方差、中位數(shù)、分位數(shù)等特征,最終分類準確率達到96%。Draper等[9]使用k-NN和C4.5決策樹算法,基于包的到達時間間隔最大最小值等時間相關(guān)特征表征網(wǎng)絡流量,最終分類召回率高達92%。使用C4.5算法,在VPN數(shù)據(jù)集上也達到了大約88%的召回率。Yamansavascilar等[10]手動選擇了參考文獻[11]中描述的111個流特征,使用k-NN算法,在對14類應用進行分類的過程中獲得了94%的準確率。然而在使用k-NN分類器用于預測時,算法的執(zhí)行時間是需要考慮的問題。2016年Taylor等[12]則提出基于突發(fā)數(shù)據(jù)流進行分類,考慮數(shù)據(jù)流傳輸?shù)膬蓚€方向(源、目的地址互換),分別統(tǒng)計流的包大小序列,對于每個序列分別計算平均值、最小值、最大值、分位數(shù)等18個統(tǒng)計特征,最后使用支持向量回歸算法和隨機森林算法取得了99%的分類準確率。2019年Shen等[13]提出了一種去中心化應用識別方法,提出在雙向數(shù)據(jù)流的統(tǒng)計特征的基礎(chǔ)上使用核函數(shù)進行特征融合,再進一步進行特征篩選,最后實現(xiàn)92%的分類準確率。

    基于機器學習的流量分類方法的主要缺點是需要專家經(jīng)驗提取和篩選特征,因此這些方法既耗時又昂貴,而且容易出現(xiàn)人為錯誤。于是,研究者漸漸把目光放到可以自主學習特征的深度學習上來。

    3.2 基于深度學習的方法

    基于深度學習的方法避免了根據(jù)專家經(jīng)驗選擇特征的過程,可以通過訓練自主學習特征。這一特點使得深度學習成為一種非常理想的流量分類方法。而且深度學習模型是端到端的模型,可以直接學習到原始輸入和對應輸出之間的非線性關(guān)系,不需要將問題分解為特征獲取和分類器分類兩個問題?;谏疃葘W習的分類過程如圖2所示。

    圖2 基于深度學習的分類過程

    基于深度學習的流量分類方法分為兩類:基于數(shù)據(jù)包的原始字節(jié)特征和基于流內(nèi)數(shù)據(jù)包序列特征?;跀?shù)據(jù)包的原始字節(jié)特征的方法指分類器的輸入是數(shù)據(jù)包原始字節(jié)內(nèi)容,基于流內(nèi)數(shù)據(jù)包序列特征的方法指分類器的輸入是流內(nèi)數(shù)據(jù)包包大小、包時間間隔序列等特征。

    Lotfollahi等[1]提出的 DeepPacket是基于數(shù)據(jù)包原始字節(jié)特征的深度學習方法的代表,它提出以每個數(shù)據(jù)包作為輸入樣本,不需要專家經(jīng)驗提取特征,只需要把數(shù)據(jù)包的原始字節(jié)作為特征,分類模型為一維卷積神經(jīng)網(wǎng)絡(1DCNN)和稀疏自動編碼機(SAE),最終取得98%的分類準確率。Wang等[3]提出使用每條數(shù)據(jù)流(單向流/雙向流)的前784字節(jié)作為模型輸入,并分別基于一維卷積神經(jīng)網(wǎng)絡(1DCNN)和二維卷積神經(jīng)網(wǎng)絡(2DCNN)兩個模型做實驗,實驗結(jié)果表明:1DCNN的效果更好,可以達到90%以上的準確率。Li等[14]將循環(huán)神經(jīng)網(wǎng)絡(RNN)引入網(wǎng)絡流量分類中,設計了一種新的神經(jīng)網(wǎng)絡——字節(jié)段神經(jīng)網(wǎng)絡(BSNN)。BSNN直接將數(shù)據(jù)包作為模型輸入,實驗結(jié)果表明,在對5個協(xié)議分類的過程中,BSNN的F1-score平均值約為95.82%。Xie等[15]提出了一種基于自注意力機制的流分類方法SAM,把每個數(shù)據(jù)包的包頭原始字節(jié)作為模型輸入,這種方法在協(xié)議識別和應用識別上分別取得了98.62%和98.93%的F1-score平均值。

    Liu等[16]提出的FS-Net是基于流內(nèi)數(shù)據(jù)包序列特征的深度學習方法的代表,時序特征采用的是流內(nèi)數(shù)據(jù)包大小序列,并基于此提出一種基于自動編碼機(auto-encoder)的重構(gòu)機制,這種重構(gòu)機制使得模型能夠?qū)W習到最有利于分類且最能代表這條數(shù)據(jù)流的特征,最終的分類準確率高達99%。Lopez-Martin等[17]提出基于數(shù)據(jù)流前20個數(shù)據(jù)包的端口號、包負載長度、包間隔時間、窗口大小等屬性構(gòu)成20×6的矩陣,并輸入給卷積神經(jīng)網(wǎng)絡(CNN)和長短期記憶循環(huán)神經(jīng)網(wǎng)絡(LSTM)的組合模型,最終準確率可以達到96%以上。Shapira等[18]提出根據(jù)單向數(shù)據(jù)流的包大小、包到達時間將數(shù)據(jù)流轉(zhuǎn)換成圖片,然后通過CNN模型做分類,最終分類準確率可以達到99.7%。

    無論是基于數(shù)據(jù)包原始字節(jié)特征的深度學習方法還是基于流內(nèi)數(shù)據(jù)包序列特征的深度學習方法都有各自的優(yōu)缺點。基于數(shù)據(jù)包原始字節(jié)特征的深度學習方法的優(yōu)點是可以直接根據(jù)數(shù)據(jù)包的字節(jié)內(nèi)容做推理,做到實時分類,但分類結(jié)果依賴于數(shù)據(jù)包負載的內(nèi)容。當流量加密時,數(shù)據(jù)包負載部分不再可用;而數(shù)據(jù)包的IP地址和端口字段也會對分類效果造成極大的影響,帶來過擬合問題。基于流內(nèi)數(shù)據(jù)包序列特征的深度學習方法的優(yōu)點是不依賴于數(shù)據(jù)包原始內(nèi)容,對于加密流量更靈活,但需要等待一段時間的數(shù)據(jù)包以構(gòu)成時序序列,因此分類實時性差。

    通過對基于機器學習和基于深度學習的流量分類方法的闡述與分析,本文從是否需要人為特征提取、是否適用于加密流量、是否能夠滿足實時性和準確性4個角度總結(jié)了這兩類方法的優(yōu)缺點,見表1。

    基于機器學習的流量分類方法由于需要專家經(jīng)驗提取和篩選特征,因此既耗時又昂貴,而且容易出現(xiàn)人為錯誤。而基于深度學習的方法可以通過訓練自主學習到原始輸入和對應輸出之間的非線性關(guān)系,不需要將問題分解為特征獲取和分類器分類兩個問題,因此避免了依據(jù)專家經(jīng)驗選擇特征的過程。然而無論是基于機器學習的方法還是基于流內(nèi)數(shù)據(jù)包序列特征的深度學習方法,由于都需要收集一段時間的數(shù)據(jù)包以計算統(tǒng)計特征或者獲取數(shù)據(jù)包時序序列,因此都無法做到實時分類?;跀?shù)據(jù)包原始字節(jié)特征的深度學習方法則可以對一個數(shù)據(jù)包進行分類,滿足實時性的要求,但由于依賴包的字節(jié)內(nèi)容,因此容易導致過擬合,影響分類效果。

    從表1可以看出,當考慮實時性、準確性兩個指標時,無論是基于機器學習還是基于深度學習的流量分類方法都不是完美的,還有一定的改進空間。與此同時,運營商為了更好地提供服務,需要將整個分類系統(tǒng)落地,這就會給分類系統(tǒng)帶來更多的問題和挑戰(zhàn)。

    4 網(wǎng)絡流量分類的線上部署及挑戰(zhàn)

    從運營商的角度來看,為了保障用戶的服務質(zhì)量,更好地做流的優(yōu)先級調(diào)度,運營商會選擇在骨干網(wǎng)的邊緣設備上部署流量分類模型,運營商流量分類模型部署點如圖3所示。

    表1 基于機器學習與基于深度學習的流量分類方法優(yōu)缺點

    圖3 運營商流量分類模型部署點(五角星位置)

    從圖3可以看出,運營商選擇將分類模型部署在網(wǎng)絡邊緣設備(交換機、路由器等)。這樣的部署方式會帶來3個問題:首先,由于模型的線下訓練需要大量的流量數(shù)據(jù),因此需要在骨干網(wǎng)采集流量。一方面,骨干網(wǎng)的流量速率>40 Gbit/s[19],在這樣的高速網(wǎng)絡環(huán)境下對數(shù)據(jù)采集的要求極高,準確的線下數(shù)據(jù)標注也是難題;另一方面,對骨干網(wǎng)流量進行采集時,由于無法限制各類別流量的比例,因此會導致數(shù)據(jù)集樣本不均衡問題,影響分類的準確率。其次,在網(wǎng)絡設備上部署分類模型需要考慮3個開銷:內(nèi)存開銷、時間開銷和計算開銷。一方面,設備的存儲空間有限,如果想達到快速分類的目的,模型和數(shù)據(jù)的存儲開銷需要小于CPU上緩存的存儲空間,也就是小于幾兆字節(jié)[20];另一方面,由于在骨干網(wǎng)中數(shù)據(jù)流的速度非??欤⑶倚枰獞獙Υ罅康牟l(fā)流,因此對特征獲取速度和分類速度提出了更高的要求;而且,由于網(wǎng)絡設備的計算資源有限,因此也要求盡量減少特征處理和模型推理時導致的CPU資源開銷。最后,在線上分類時,分類器會對各種各樣類型的流量分類,然而隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,越來越多的新應用不斷涌現(xiàn),這就要求線上分類時能夠及時識別出新應用的流量。由于新應用的流量呈現(xiàn)出新的特性,因此給新應用識別帶來了難度。

    雖然目前無論是基于機器學習方法還是基于深度學習方法已經(jīng)有大量的流量分類研究工作,但把現(xiàn)有的工作直接進行線上部署是不可行的:根據(jù)表1可知,基于機器學習的流量分類方法和基于流內(nèi)數(shù)據(jù)包序列特征的深度學習方法都面臨分類實時性的問題,而且無論是哪種方法在訓練時都是固定類別數(shù)進行訓練的,所以都無法應對新應用流量的識別問題。因此,有研究者提出在機器學習方法和深度學習方法的基礎(chǔ)上針對這3個問題做出一些改進。

    4.1 數(shù)據(jù)集

    由于在骨干網(wǎng)絡中數(shù)據(jù)集采集是不可控的,無法控制采集的流量類別,因此會帶來數(shù)據(jù)集樣本分布不均衡的問題。目前針對流量數(shù)據(jù)集樣本不均衡問題有很多研究工作。除了傳統(tǒng)的欠采樣、過采樣方法,有研究者提出使用生成對抗網(wǎng)絡(GAN)解決樣本不均衡問題。Ly等[21]提出使用ACGAN為少樣本生成合成數(shù)據(jù)以達到數(shù)據(jù)均衡的效果,并基于這種方法使得流量分類的準確性得到很大的改善。Zheng等[4]提出一種名為RBRN的框架,這個框架基于Glow模型[22]構(gòu)建一個名為“hallucinator”的流量生成器應對樣本不均衡問題,并基于元學習(meta-learning)方法進行小樣本學習。這兩個工作的對比結(jié)果見表2。

    表2 ACGAN與RBRN對比

    然而,事實上數(shù)據(jù)樣本不均衡只是數(shù)據(jù)集問題的一小部分,數(shù)據(jù)集最難也最關(guān)鍵的問題是如何在高速骨干網(wǎng)絡下進行數(shù)據(jù)采集和做線下數(shù)據(jù)標注。目前的骨干網(wǎng)流量標注方法仍然是基于深度包檢測(deep packet inspection,DPI)的方法,這種方法隨著加密流量的逐漸增多而逐漸失效,因此目前并沒有任何工作能夠解決骨干網(wǎng)絡數(shù)據(jù)采集難和標注難的問題。

    4.2 部署開銷

    目前流量分類的研究工作關(guān)注點有兩個:如何獲取有效的流量特征和如何提高分類的準確率。然而對于線上部署來說,一方面由于需要面對網(wǎng)絡中的高速并發(fā)流,另一方面由于網(wǎng)絡設備的存儲資源和CPU資源非常有限,因此流量分類的研究工作也應該考慮存儲開銷、計算開銷和時間開銷。為了減少特征的計算開銷,實現(xiàn)更快速的流量分類,Garcia等[23]提出一種離散優(yōu)化算法KSD,通過基于統(tǒng)計特征數(shù)據(jù)分布構(gòu)建直方圖的方式將特征離散化,這種方式大大減少了計算資源,并實現(xiàn)了更快速的分類。在此之后,Garcia等[24]又進一步基于KSD算法提出了一種基于離散優(yōu)化算法的分類器DISCO。除了特征離散化這種方式以外,Garcia等[25]也曾提出用低計算開銷特征(例如:給定包大小范圍的數(shù)據(jù)包比例)代替高階統(tǒng)計特征(例如:數(shù)據(jù)包大小的分位數(shù)),這種方式不但沒有影響分類準確率,反而提高了分類速度,減小了計算資源的開銷。

    雖然這幾個工作于提高分類速度以及減少計算資源開銷起到了一定的作用,但是這幾個工作并不適合線上部署。由于KSD算法和使用低開銷替換特征的方式都需要大量的預處理時間,這不利于在網(wǎng)絡設備上的實時推理。

    4.3 新應用識別

    目前已經(jīng)有研究工作關(guān)注到新應用識別這個問題。RTC[6]是一種結(jié)合監(jiān)督學習和半監(jiān)督學習方法的解決方案,RTC動態(tài)訓練一個新應用類別判別器,隨著人為標注動態(tài)調(diào)整判別器。Zhang等[26]提出的方法和RTC方案相似,都是根據(jù)線上分類結(jié)果動態(tài)訓練一個新應用類別判別器,區(qū)別在于此方法是基于深度學習的分類方法。無論是Zhang等[6]提出的方法還是RTC方案,都需要做兩次推理才能得到分類結(jié)果,這會嚴重影響分類的實時性。而且這兩種方法都要求已知訓練集數(shù)據(jù)的應用類別。Ede等[27]提出的FLOWPRINT則不要求任何的類別先驗知識,也無須訓練過程。通過半監(jiān)督學習的方式基于數(shù)據(jù)流的目的IP地址聚類獲得應用程序的“指紋”,從而達到區(qū)分各個應用程序的目的,同時能夠很準確地識別出新應用的流量。但FLOWPRINT需要獲取足夠多的數(shù)據(jù)流(5 min內(nèi)的數(shù)據(jù)流)以得到應用程序指紋,因此也不利于分類的實時性。

    通過對線上部署時面臨的3個問題的相關(guān)工作的闡述與分析,雖然目前很多工作試圖在解決這些問題,但解決辦法仍然不完善,這就給未來的流量分類工作帶來了挑戰(zhàn):如何在高速網(wǎng)絡下實現(xiàn)快速數(shù)據(jù)采集?如何在線下實現(xiàn)準確數(shù)據(jù)標注?如何減小分類模型的部署開銷?如何快速地識別出新應用流量?這就是未來的研究工作在線上部署時亟須商榷和解決的問題。

    5 結(jié)束語

    網(wǎng)絡流量分類一直是網(wǎng)絡管理和網(wǎng)絡安全的重要任務,準確并快速地流量分類對保障用戶服務質(zhì)量和用戶安全是十分重要的。本文對網(wǎng)絡流量分類的研究工作進行了梳理和總結(jié)。由于傳統(tǒng)的基于端口號和基于DPI的流量分類方法隨著端口混淆技術(shù)的使用和加密流量的出現(xiàn)逐漸失效,越來越多的研究工作選擇采取機器學習和深度學習的方法解決流量分類問題?;跈C器學習的流量分類方法雖然適用于加密流量,但其需要專家經(jīng)驗,且實時性差;基于深度學習的流量分類方法分為兩類:基于數(shù)據(jù)包原始字節(jié)特征的深度學習方法和基于流內(nèi)數(shù)據(jù)包序列特征的深度學習方法,這兩類方法在實時性和準確性上也有著各自的優(yōu)缺點。雖然目前流量分類已經(jīng)有大量的研究工作,但是當在高速網(wǎng)絡中線上部署時還是會遇到數(shù)據(jù)集采集難、部署開銷大以及新應用識別實時性差的問題。由于目前還沒有任何一種方案能真正滿足線上部署的要求,因此如何實現(xiàn)合理有效的線上部署仍然是一個待解決的問題。

    猜你喜歡
    實時性字節(jié)數(shù)據(jù)包
    No.8 字節(jié)跳動將推出獨立出口電商APP
    基于規(guī)則實時性的端云動態(tài)分配方法研究
    No.10 “字節(jié)跳動手機”要來了?
    SmartSniff
    基于虛擬局域網(wǎng)的智能變電站通信網(wǎng)絡實時性仿真
    簡談MC7字節(jié)碼
    航空電子AFDX與AVB傳輸實時性抗干擾對比
    基于Libpcap的網(wǎng)絡數(shù)據(jù)包捕獲器的設計與實現(xiàn)
    一種車載Profibus總線系統(tǒng)的實時性分析
    視覺注意的數(shù)據(jù)包優(yōu)先級排序策略研究
    少妇被粗大猛烈的视频| 天堂av国产一区二区熟女人妻| 免费无遮挡裸体视频| 国产亚洲5aaaaa淫片| 日韩三级伦理在线观看| 日韩欧美精品免费久久| 老女人水多毛片| 国产白丝娇喘喷水9色精品| 久久99蜜桃精品久久| 欧美精品国产亚洲| 免费日韩欧美在线观看| 精品亚洲成国产av| 亚洲欧美一区二区三区黑人 | 999精品在线视频| 亚洲视频免费观看视频| 这个男人来自地球电影免费观看 | av女优亚洲男人天堂| www.自偷自拍.com| 老司机影院毛片| 一区在线观看完整版| 久久人人爽av亚洲精品天堂| 亚洲成人一二三区av| 亚洲人成网站在线观看播放| 日韩一本色道免费dvd| 亚洲成国产人片在线观看| 久久精品国产综合久久久| 三上悠亚av全集在线观看| 少妇被粗大的猛进出69影院| 免费女性裸体啪啪无遮挡网站| 免费观看a级毛片全部| 国产一区二区 视频在线| 丝袜脚勾引网站| 一级爰片在线观看| 伊人亚洲综合成人网| 久久久久国产一级毛片高清牌| 日日摸夜夜添夜夜爱| 亚洲精品中文字幕在线视频| 日韩熟女老妇一区二区性免费视频| 欧美日韩成人在线一区二区| 国产精品偷伦视频观看了| 考比视频在线观看| 波野结衣二区三区在线| 欧美日韩视频精品一区| av片东京热男人的天堂| 天美传媒精品一区二区| 国产精品嫩草影院av在线观看| 国产乱来视频区| 日韩av免费高清视频| av又黄又爽大尺度在线免费看| 久久综合国产亚洲精品| 亚洲精品国产av成人精品| 中文字幕精品免费在线观看视频| av女优亚洲男人天堂| 亚洲国产看品久久| 亚洲精品久久久久久婷婷小说| 伦理电影免费视频| 亚洲综合精品二区| 国产精品99久久99久久久不卡 | 美女福利国产在线| 日韩免费高清中文字幕av| av女优亚洲男人天堂| 狂野欧美激情性bbbbbb| 精品国产超薄肉色丝袜足j| 午夜福利乱码中文字幕| 国产精品成人在线| 一二三四中文在线观看免费高清| 国产亚洲av片在线观看秒播厂| 黑丝袜美女国产一区| 精品国产一区二区久久| 9191精品国产免费久久| 十八禁高潮呻吟视频| 99国产综合亚洲精品| 桃花免费在线播放| 人妻少妇偷人精品九色| 99re6热这里在线精品视频| 日本av免费视频播放| 校园人妻丝袜中文字幕| 亚洲av在线观看美女高潮| 久久国产精品大桥未久av| 99热网站在线观看| 水蜜桃什么品种好| 亚洲久久久国产精品| 久久精品亚洲av国产电影网| 色视频在线一区二区三区| 婷婷成人精品国产| 最近中文字幕2019免费版| 久久久久久伊人网av| 一本久久精品| 男女无遮挡免费网站观看| 电影成人av| 伦理电影免费视频| 国产爽快片一区二区三区| 人人妻人人澡人人爽人人夜夜| 日日撸夜夜添| 国产精品嫩草影院av在线观看| 国产精品香港三级国产av潘金莲 | 欧美最新免费一区二区三区| 亚洲综合色网址| 在现免费观看毛片| 欧美激情 高清一区二区三区| 91国产中文字幕| 久久久久久久久免费视频了| 久久久久久人妻| 国产高清不卡午夜福利| 亚洲av福利一区| 色婷婷久久久亚洲欧美| 中文字幕人妻丝袜一区二区 | 精品少妇久久久久久888优播| 如何舔出高潮| 波野结衣二区三区在线| 色哟哟·www| 99热全是精品| 熟女av电影| 欧美日韩视频精品一区| 欧美 亚洲 国产 日韩一| 在线观看一区二区三区激情| av在线观看视频网站免费| 久久97久久精品| 久久精品国产亚洲av天美| 叶爱在线成人免费视频播放| 高清av免费在线| 下体分泌物呈黄色| 亚洲伊人色综图| 十八禁网站网址无遮挡| 久久久久久久久久久久大奶| 日本猛色少妇xxxxx猛交久久| 亚洲精品日本国产第一区| 九九爱精品视频在线观看| 99re6热这里在线精品视频| 在线看a的网站| 日韩伦理黄色片| 男女国产视频网站| 一级毛片我不卡| 免费看av在线观看网站| 巨乳人妻的诱惑在线观看| av有码第一页| 日韩不卡一区二区三区视频在线| 又黄又粗又硬又大视频| 亚洲久久久国产精品| 亚洲国产av新网站| 国产精品99久久99久久久不卡 | 91国产中文字幕| 美女福利国产在线| 另类亚洲欧美激情| 日本wwww免费看| 久久国内精品自在自线图片| 亚洲男人天堂网一区| 亚洲欧洲国产日韩| 最近2019中文字幕mv第一页| 亚洲中文av在线| 中国三级夫妇交换| 少妇熟女欧美另类| 熟女电影av网| 久久午夜综合久久蜜桃| 精品亚洲成a人片在线观看| 中文天堂在线官网| 91在线精品国自产拍蜜月| 国产野战对白在线观看| 两性夫妻黄色片| 国产成人a∨麻豆精品| 国产一区有黄有色的免费视频| 母亲3免费完整高清在线观看 | 国产精品香港三级国产av潘金莲 | 国产有黄有色有爽视频| 青青草视频在线视频观看| 精品人妻一区二区三区麻豆| 这个男人来自地球电影免费观看 | 久久精品久久久久久久性| 夫妻性生交免费视频一级片| 中国国产av一级| 亚洲图色成人| 久久久久久久久久久久大奶| 亚洲欧美一区二区三区久久| a级片在线免费高清观看视频| 日韩伦理黄色片| 女性被躁到高潮视频| 尾随美女入室| 国产成人91sexporn| 97人妻天天添夜夜摸| 国产毛片在线视频| 亚洲精品国产一区二区精华液| 免费看av在线观看网站| 精品福利永久在线观看| 在线观看免费高清a一片| 国产色婷婷99| 久久精品国产自在天天线| 色婷婷久久久亚洲欧美| 亚洲经典国产精华液单| 人人澡人人妻人| 精品亚洲成a人片在线观看| 婷婷色麻豆天堂久久| 日日爽夜夜爽网站| 秋霞伦理黄片| 99热国产这里只有精品6| 亚洲国产色片| www.av在线官网国产| 中文精品一卡2卡3卡4更新| 国产亚洲一区二区精品| 国产精品av久久久久免费| 男女高潮啪啪啪动态图| 国产一区有黄有色的免费视频| 亚洲一区二区三区欧美精品| 夜夜骑夜夜射夜夜干| 亚洲视频免费观看视频| 日韩三级伦理在线观看| www日本在线高清视频| 国产乱来视频区| 高清欧美精品videossex| 三上悠亚av全集在线观看| 亚洲成人av在线免费| 69精品国产乱码久久久| 我的亚洲天堂| 自线自在国产av| 精品国产一区二区三区久久久樱花| 大片电影免费在线观看免费| 一级黄片播放器| 亚洲精品一二三| 日本色播在线视频| 久久精品国产综合久久久| 久久久国产欧美日韩av| av.在线天堂| 一级毛片电影观看| 热99国产精品久久久久久7| 亚洲图色成人| av.在线天堂| 欧美另类一区| 少妇 在线观看| 丝瓜视频免费看黄片| 99精国产麻豆久久婷婷| av国产精品久久久久影院| 日韩电影二区| 日韩制服骚丝袜av| 亚洲精品在线美女| 日韩人妻精品一区2区三区| 在线观看美女被高潮喷水网站| 97在线人人人人妻| 69精品国产乱码久久久| 三级国产精品片| 成人亚洲欧美一区二区av| 两个人看的免费小视频| 秋霞伦理黄片| 成人国产av品久久久| 国产免费一区二区三区四区乱码| 深夜精品福利| 啦啦啦在线观看免费高清www| 亚洲精品国产av蜜桃| 电影成人av| 咕卡用的链子| 免费大片黄手机在线观看| 日本猛色少妇xxxxx猛交久久| 国产爽快片一区二区三区| 久久精品人人爽人人爽视色| 久久久精品94久久精品| 亚洲欧美色中文字幕在线| 国产免费福利视频在线观看| 日本av手机在线免费观看| 精品一区二区三卡| 日本wwww免费看| 在线观看www视频免费| 永久网站在线| videossex国产| 亚洲男人天堂网一区| 日本猛色少妇xxxxx猛交久久| 十八禁高潮呻吟视频| 国产 一区精品| 国产成人aa在线观看| 99精国产麻豆久久婷婷| 大片免费播放器 马上看| 国产又色又爽无遮挡免| 国产精品三级大全| 欧美97在线视频| 亚洲欧洲国产日韩| 狠狠精品人妻久久久久久综合| 1024视频免费在线观看| 欧美精品亚洲一区二区| 亚洲av日韩在线播放| 日本爱情动作片www.在线观看| 考比视频在线观看| 多毛熟女@视频| 国产精品麻豆人妻色哟哟久久| 日韩不卡一区二区三区视频在线| 午夜精品国产一区二区电影| 国产黄频视频在线观看| 一二三四在线观看免费中文在| 免费女性裸体啪啪无遮挡网站| 午夜福利视频精品| 欧美激情极品国产一区二区三区| 中国国产av一级| 久久婷婷青草| 可以免费在线观看a视频的电影网站 | av在线app专区| 欧美日韩视频精品一区| 国产精品久久久久久精品古装| 日韩一本色道免费dvd| 亚洲四区av| 人人妻人人澡人人爽人人夜夜| 黄色怎么调成土黄色| 一区二区日韩欧美中文字幕| 精品午夜福利在线看| 97在线人人人人妻| 久久久久久伊人网av| 久久久久久久国产电影| 日韩伦理黄色片| 妹子高潮喷水视频| 一级,二级,三级黄色视频| 2021少妇久久久久久久久久久| 人人妻人人澡人人爽人人夜夜| 久久精品久久精品一区二区三区| 亚洲,欧美,日韩| 欧美精品av麻豆av| 久久毛片免费看一区二区三区| 亚洲成国产人片在线观看| 久久精品国产亚洲av天美| 观看av在线不卡| 一区二区三区激情视频| 这个男人来自地球电影免费观看 | 精品亚洲成国产av| 最近最新中文字幕免费大全7| 晚上一个人看的免费电影| 超色免费av| 免费黄色在线免费观看| 久久久亚洲精品成人影院| 欧美 亚洲 国产 日韩一| 99精国产麻豆久久婷婷| 成人手机av| 欧美精品亚洲一区二区| 国产精品 国内视频| www日本在线高清视频| 精品国产露脸久久av麻豆| 亚洲,一卡二卡三卡| 欧美黄色片欧美黄色片| 欧美中文综合在线视频| 日韩精品免费视频一区二区三区| www.精华液| 国产精品久久久av美女十八| 亚洲国产欧美在线一区| 男人添女人高潮全过程视频| 欧美中文综合在线视频| 人妻 亚洲 视频| 日韩av免费高清视频| 亚洲国产毛片av蜜桃av| 亚洲成国产人片在线观看| 97在线人人人人妻| 国产精品亚洲av一区麻豆 | 99精国产麻豆久久婷婷| 一区二区三区乱码不卡18| 色94色欧美一区二区| 一二三四中文在线观看免费高清| 久久久久久久久久久免费av| 丝袜美足系列| 波野结衣二区三区在线| 咕卡用的链子| 狠狠婷婷综合久久久久久88av| 精品国产国语对白av| 久久久国产精品麻豆| 高清不卡的av网站| 国产白丝娇喘喷水9色精品| 最近中文字幕高清免费大全6| 亚洲,欧美精品.| 国产高清国产精品国产三级| 国产精品不卡视频一区二区| 久久人人爽av亚洲精品天堂| 日韩,欧美,国产一区二区三区| 97在线视频观看| 美女视频免费永久观看网站| 亚洲,欧美精品.| 国产淫语在线视频| 国产黄色免费在线视频| 人人妻人人添人人爽欧美一区卜| 男人添女人高潮全过程视频| 波多野结衣一区麻豆| av国产久精品久网站免费入址| 欧美av亚洲av综合av国产av | 国产欧美亚洲国产| 伦理电影免费视频| 人人妻人人爽人人添夜夜欢视频| 久久综合国产亚洲精品| 国产探花极品一区二区| 高清不卡的av网站| 国产白丝娇喘喷水9色精品| 国产av国产精品国产| 亚洲中文av在线| 久久 成人 亚洲| 日本黄色日本黄色录像| 一二三四中文在线观看免费高清| 亚洲人成77777在线视频| 国产免费视频播放在线视频| 免费高清在线观看日韩| 日本欧美国产在线视频| 高清黄色对白视频在线免费看| 不卡av一区二区三区| 国产免费福利视频在线观看| 热99国产精品久久久久久7| 天堂中文最新版在线下载| 国产精品久久久久成人av| 国产av码专区亚洲av| 丰满少妇做爰视频| 最近最新中文字幕大全免费视频 | 久久国产亚洲av麻豆专区| 国产欧美亚洲国产| 99九九在线精品视频| 99精国产麻豆久久婷婷| 老司机影院成人| 交换朋友夫妻互换小说| 成年人午夜在线观看视频| 国产在线免费精品| 啦啦啦中文免费视频观看日本| www.av在线官网国产| 欧美少妇被猛烈插入视频| 久久精品国产亚洲av天美| 久久这里只有精品19| 日日啪夜夜爽| 亚洲国产欧美在线一区| 国产成人午夜福利电影在线观看| 在线观看美女被高潮喷水网站| 国产欧美亚洲国产| 性色avwww在线观看| 免费观看av网站的网址| 午夜激情av网站| 亚洲精品视频女| 久久久久久免费高清国产稀缺| 亚洲天堂av无毛| 成年av动漫网址| 色吧在线观看| 久久婷婷青草| 久久人人爽av亚洲精品天堂| 90打野战视频偷拍视频| 国产精品久久久久成人av| 男的添女的下面高潮视频| 侵犯人妻中文字幕一二三四区| 亚洲精品久久久久久婷婷小说| 啦啦啦啦在线视频资源| 久久这里只有精品19| 91成人精品电影| 国产亚洲欧美精品永久| 亚洲,欧美精品.| xxxhd国产人妻xxx| 国产免费现黄频在线看| 在现免费观看毛片| 这个男人来自地球电影免费观看 | 亚洲中文av在线| 午夜91福利影院| 天堂中文最新版在线下载| a 毛片基地| 两性夫妻黄色片| 亚洲精品国产av蜜桃| 成人国产av品久久久| videosex国产| 亚洲四区av| 亚洲精品视频女| 免费看av在线观看网站| 菩萨蛮人人尽说江南好唐韦庄| 国产色婷婷99| 搡老乐熟女国产| 在线天堂中文资源库| 性色avwww在线观看| 久久99一区二区三区| 狂野欧美激情性bbbbbb| 少妇被粗大猛烈的视频| 午夜福利视频在线观看免费| 97在线视频观看| 不卡视频在线观看欧美| 咕卡用的链子| 视频在线观看一区二区三区| 国产成人欧美| 国产97色在线日韩免费| 久久毛片免费看一区二区三区| 免费观看性生交大片5| 成人亚洲欧美一区二区av| 曰老女人黄片| 黄片无遮挡物在线观看| 最近中文字幕2019免费版| 2021少妇久久久久久久久久久| 亚洲精品日韩在线中文字幕| 女人被躁到高潮嗷嗷叫费观| 日韩一卡2卡3卡4卡2021年| 女人高潮潮喷娇喘18禁视频| 男女高潮啪啪啪动态图| 在线天堂中文资源库| 我要看黄色一级片免费的| 亚洲精品自拍成人| 国产精品久久久久久精品古装| 日日撸夜夜添| 少妇的逼水好多| 亚洲,一卡二卡三卡| 免费观看av网站的网址| 亚洲精品成人av观看孕妇| 看非洲黑人一级黄片| 亚洲欧美色中文字幕在线| av一本久久久久| www.av在线官网国产| 日韩免费高清中文字幕av| 91午夜精品亚洲一区二区三区| 晚上一个人看的免费电影| 女人精品久久久久毛片| 亚洲视频免费观看视频| 9191精品国产免费久久| 国产精品 国内视频| 在线亚洲精品国产二区图片欧美| 自拍欧美九色日韩亚洲蝌蚪91| 久久av网站| 久久精品国产综合久久久| 精品福利永久在线观看| 久久久久久人人人人人| 日韩三级伦理在线观看| 亚洲,欧美精品.| 99九九在线精品视频| 美女大奶头黄色视频| 蜜桃国产av成人99| 在线观看三级黄色| 亚洲成av片中文字幕在线观看 | 国产在线视频一区二区| 春色校园在线视频观看| 亚洲av国产av综合av卡| 黑人巨大精品欧美一区二区蜜桃| 亚洲国产成人一精品久久久| 国产一区亚洲一区在线观看| 亚洲精品一二三| 午夜91福利影院| a级毛片在线看网站| 久热久热在线精品观看| av网站在线播放免费| 高清视频免费观看一区二区| 夜夜骑夜夜射夜夜干| 91国产中文字幕| 在线观看人妻少妇| www.精华液| 欧美激情极品国产一区二区三区| av女优亚洲男人天堂| 欧美bdsm另类| 久久狼人影院| 午夜福利视频精品| 久久久久久久久久久久大奶| 亚洲美女搞黄在线观看| 夫妻午夜视频| 90打野战视频偷拍视频| 99热全是精品| 色吧在线观看| 91精品三级在线观看| 我要看黄色一级片免费的| 如日韩欧美国产精品一区二区三区| 日日啪夜夜爽| 成人漫画全彩无遮挡| 国产有黄有色有爽视频| 一区二区三区激情视频| 日韩中文字幕视频在线看片| 蜜桃在线观看..| 咕卡用的链子| 国产精品偷伦视频观看了| 久久久a久久爽久久v久久| 久久热在线av| av.在线天堂| 国产精品久久久久久久久免| 中文精品一卡2卡3卡4更新| 老汉色av国产亚洲站长工具| 人妻少妇偷人精品九色| 国产精品秋霞免费鲁丝片| 日韩在线高清观看一区二区三区| 丰满少妇做爰视频| 如日韩欧美国产精品一区二区三区| 国产日韩欧美在线精品| 久久 成人 亚洲| 一级片免费观看大全| 亚洲国产精品国产精品| 久久午夜综合久久蜜桃| 欧美日韩一区二区视频在线观看视频在线| 婷婷色av中文字幕| 久久久久国产一级毛片高清牌| 在线天堂中文资源库| 亚洲欧美中文字幕日韩二区| 日韩不卡一区二区三区视频在线| av视频免费观看在线观看| 99九九在线精品视频| 欧美精品一区二区免费开放| 美女午夜性视频免费| av卡一久久| 最新的欧美精品一区二区| 欧美av亚洲av综合av国产av | 天天躁夜夜躁狠狠躁躁| 国产片内射在线| 你懂的网址亚洲精品在线观看| 国产无遮挡羞羞视频在线观看| 亚洲综合色网址| 精品酒店卫生间| 水蜜桃什么品种好| 国产97色在线日韩免费| 久久鲁丝午夜福利片| 亚洲欧美中文字幕日韩二区| 精品一区二区免费观看| 深夜精品福利| 午夜激情av网站| 七月丁香在线播放| 中文字幕人妻丝袜一区二区 | 亚洲精华国产精华液的使用体验| 国语对白做爰xxxⅹ性视频网站| 亚洲美女黄色视频免费看| 男女无遮挡免费网站观看| 色播在线永久视频| 欧美精品一区二区免费开放| 成年女人在线观看亚洲视频| 久久午夜福利片| 国产 一区精品| 人妻 亚洲 视频| 一本大道久久a久久精品| 99香蕉大伊视频| 日韩在线高清观看一区二区三区| 不卡av一区二区三区| 久久久精品国产亚洲av高清涩受| 伦精品一区二区三区| a 毛片基地| 国产精品亚洲av一区麻豆 | 菩萨蛮人人尽说江南好唐韦庄| 亚洲男人天堂网一区| 777久久人妻少妇嫩草av网站| 色吧在线观看|