[go: up one dir, main page]

CN120075872A - 一种基于5G的智能随身WiFi流量监控方法及系统 - Google Patents

一种基于5G的智能随身WiFi流量监控方法及系统 Download PDF

Info

Publication number
CN120075872A
CN120075872A CN202510252054.5A CN202510252054A CN120075872A CN 120075872 A CN120075872 A CN 120075872A CN 202510252054 A CN202510252054 A CN 202510252054A CN 120075872 A CN120075872 A CN 120075872A
Authority
CN
China
Prior art keywords
data
flow
steps
step comprises
traffic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202510252054.5A
Other languages
English (en)
Inventor
孙德平
李国栋
王曼舒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Baochuang Cloud Technology Co ltd
Original Assignee
Shenzhen Baochuang Cloud Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Baochuang Cloud Technology Co ltd filed Critical Shenzhen Baochuang Cloud Technology Co ltd
Priority to CN202510252054.5A priority Critical patent/CN120075872A/zh
Publication of CN120075872A publication Critical patent/CN120075872A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
    • H04L9/0816—Key establishment, i.e. cryptographic processes or cryptographic protocols whereby a shared secret becomes available to two or more parties, for subsequent use
    • H04L9/0852—Quantum cryptography
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3297—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving time stamps, e.g. generation of time stamps
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提出一种基于5G的智能随身WiFi流量监控方法及系统，包括：实时捕获数据包，在数据包经过内核协议栈关键节点时，提取流量数据；将流量数据传输至本地边缘计算节点，利用流式处理框架进行处理，并通过数据压缩算法进行存储，生成流量数据子集；结合流量识别模型进行识别，当识别出异常流量时，设备发出预警，并激活分级流量控制机制限制或阻断异常流量；为流量监控分配独立网络切片，实现业务隔离；流量数据和识别结果通过量子加密技术加密，并采用分布式账本技术构建区块链账本；采集周边物联网设备的环境数据，与流量数据融合分析，动态调整流量分配策略。本发明不仅提高了监控效率和资源利用率，还提高了智能性和安全性。

Description

一种基于5G的智能随身WiFi流量监控方法及系统
技术领域
本发明涉及5G技术领域，具体涉及一种基于5G的智能随身WiFi流量监控方法及系统。
背景技术
基于5G的智能随身WiFi设备在近年来逐渐普及，为用户提供了更便捷、高速的网络体验。基于5G的随身WiFi设备能够提供比传统4G设备更快的数据传输速度，理论下行速率可达10Gbps，实际使用中普遍几百Mbps甚至更高，轻松支持高清视频播放、4K直播和大型文件下载；这些设备通常设计轻巧，方便携带，无需安装和拉线，随时随地提供WiFi信号；许多5G随身WiFi设备支持大流量套餐，每月流量可达1500G甚至更多，满足用户长时间、大流量的使用需求；大部分设备可同时连接多台设备，通常在32台左右，满足多人或多个设备同时上网的需求。5G随身WiFi设备的上述特点也导致了容易出现流量异常的问题，现有的智能随身WiFi流量监控方法在监控效率、保障安全性等方面的表现并不好，亟需改进。
发明内容
本发明正是基于上述问题，提出了一种基于5G的智能随身WiFi流量监控方法及系统，通过本发明方案，不仅提高了监控效率和资源利用率，还提高了智能性和安全性。
有鉴于此，本发明的一方面提出了一种基于5G的智能随身WiFi流量监控方法，包括：
通过设置于第一5G智能随身WiFi设备的芯片组内的流量统计模块，采用自适应采样率机制实时捕获数据包；其中，所述自适应采样率机制根据网络负载状态和流量特征，动态调整数据包捕获频率；
在数据包流经内核协议栈关键节点时，提取包括时间戳、源目的IP地址、端口号、协议类型、数据量大小在内的流量数据；
将所述流量数据传输至部署于所述第一5G智能随身WiFi设备本地的边缘计算节点；
采用流式处理框架对所述流量数据进行实时清洗，去除重复、错误及无效流量记录，利用数据压缩算法对清洗后的流量数据进行压缩存储，并按预设分类规则对压缩后的流量数据进行标准化处理，生成流量数据子集；
根据所述流量数据子集和预设的第一流量识别模型，得到流量识别结果；
当识别出异常流量时，通过设备关联的多个用户界面发出预警信息，同时激活所述第一5G智能随身WiFi设备内置的分级流量控制机制，对异常流量进行限制或阻断；
将异常流量特征提取并反馈至所述第一流量识别模型，用于模型优化；
为流量监控分配独立网络切片以实现业务隔离，并基于智能合约自动调整切片配置参数；
通过跨链互操作机制实现不同运营商间的流量数据互通；
将所述流量数据、所述流量识别结果和预警记录通过量子加密技术进行加密，并采用分布式账本技术将加密数据打包成区块，构建包含时间戳的区块链账本，实现数据防篡改；
采集周边物联网设备的环境数据，融合环境数据与流量数据进行综合分析，并基于分析结果动态调整流量分配策略。
可选地，所述通过设置于第一5G智能随身WiFi设备的芯片组内的流量统计模块，采用自适应采样率机制实时捕获数据包的步骤，包括：
初始化配置步骤，包括：在所述第一5G智能随身WiFi设备的芯片组内设置流量统计模块；在所述流量统计模块中配置初始采样率参数，包括基准采样间隔和采样窗口大小；设定流量阈值，包括高负载阈值和低负载阈值；初始化采样率调整因子和调整步长；
网络状态监测步骤，包括：实时监测所述第一5G智能随身WiFi设备的网络接口状态；获取当前网络带宽利用率；检测数据包队列长度；记录网络延迟和丢包率；
负载评估步骤，包括：计算当前时间窗口内的网络负载指标；将计算得到的负载指标与预设阈值进行比较；判定当前网络状态属于高负载、正常负载或低负载情况；生成负载评估结果；
采样率自适应调整步骤，包括：根据负载评估结果动态计算最优采样率；当负载高于高负载阈值时，适当降低采样率以减轻系统压力；当负载低于低负载阈值时，提高采样率以获取更详细的流量信息；确保采样率调整在预设的最大和最小范围内；
数据包捕获步骤，包括：在网络接口驱动程序层设置数据包过滤器；根据当前采样率对经过的数据包进行采样；提取被采样数据包的头部信息；记录数据包的时间戳信息；
采样优化步骤，包括：对不同类型的网络协议采用差异化采样策略；对关键业务流量提高采样优先级；对周期性流量采用预测性采样机制；动态调整采样窗口大小；
资源监控步骤，包括：监测流量统计模块的CPU使用率；监测内存缓冲区占用情况；当系统资源接近阈值时触发保护机制；自动调整采样参数以平衡系统负载；
采样质量评估步骤，包括：计算采样数据的代表性指标；评估采样结果的准确性；分析采样偏差；生成采样质量报告。
可选地，所述采用流式处理框架对所述流量数据进行实时清洗，去除重复、错误及无效流量记录，利用数据压缩算法对清洗后的流量数据进行压缩存储，并按预设分类规则对压缩后的流量数据进行标准化处理，生成流量数据子集的步骤，包括：
流式处理环境初始化步骤，包括：在边缘计算节点部署流式处理框架；配置数据流入口和出口节点；设置数据处理管道的并行度参数；初始化数据缓冲区和处理队列；
数据流接入步骤，包括：建立与流量统计模块的数据传输通道；将接收到的流量数据分片并加入处理队列；为每个数据分片分配唯一标识符；记录数据接入时间戳；
实时清洗步骤，包括：检测并删除重复数据包记录：计算数据包特征哈希值，利用滑动时间窗口进行重复判定，保留最早的有效记录；识别并过滤错误数据：校验数据包完整性，验证协议字段合法性，检查地址格式有效性；剔除无效流量记录：过滤超时数据包，删除不完整会话记录，移除异常长度数据；
数据压缩步骤，包括：对清洗后的数据进行分类打包：按照协议类型分组，按照时间序列批量处理，建立数据索引结构；执行多级压缩处理：首先进行字段级压缩，然后执行块级压缩，最后应用全局压缩；生成压缩元数据：记录压缩算法参数，保存解压缩所需信息，建立压缩数据索引；
标准化处理步骤，包括：执行数据格式统一：统一时间戳格式，标准化地址表示，规范化协议标识；进行数值归一化：计算流量特征的统计值，执行最小-最大归一化，应用Z-score标准化；建立标准化映射表：记录转换参数，保存归一化范围，维护特征映射关系；
流量数据子集生成步骤，包括：按预设规则对数据分类：基于时间维度划分，根据协议类型分组，依据业务特征聚类；构建数据子集索引：创建多维索引结构，建立快速检索表，生成子集关联关系；优化子集存储结构：实现增量更新机制，设计缓存策略，构建分层存储结构；
质量控制步骤，包括：实时监控处理质量：跟踪数据丢失率，监测处理延迟，评估压缩效率；执行异常处理：检测处理异常，触发恢复机制，记录异常日志；生成质量报告：统计处理指标，分析性能瓶颈，提供优化建议。
可选地，所述第一流量识别模型的构建方法，包括：
模型初始化步骤，包括：在中央服务器端初始化全局模型架构，包含卷积神经网络模块和循环神经网络模块；所述卷积神经网络模块用于提取流量数据的空间特征，包括多层卷积层、池化层和全连接层；所述循环神经网络模块用于提取流量数据的时序特征，包括LSTM或GRU单元；将初始化的全局模型参数分发至参与训练的各个5G智能随身WiFi设备；
本地训练步骤，包括：各个5G智能随身WiFi设备基于本地流量数据集进行模型训练；采用批量归一化处理本地数据，消除设备间数据分布差异；使用差分隐私机制对训练过程进行隐私保护；计算本地模型参数的梯度更新值；
参数聚合步骤，包括：各个5G智能随身WiFi设备将计算得到的梯度更新值加密传输至中央服务器；中央服务器采用加权平均算法聚合所有设备的梯度更新值；更新全局模型参数；将更新后的全局模型参数分发给各参与设备；
模型优化步骤，包括：设置动态学习率调整机制，根据训练进度自适应调整学习率；引入早停机制，当模型性能不再显著提升时停止训练；采用Dropout技术防止模型过拟合；使用残差连接优化梯度传播；
模型评估步骤，包括：在验证数据集上评估模型性能；计算准确率、召回率、F1分数几个评估指标；生成混淆矩阵分析模型预测效果；根据评估结果决定是否需要继续训练；得到第一流量识别模型；
异常检测步骤，包括：将实时流量数据输入训练好的模型；通过卷积神经网络提取空间特征；通过循环神经网络分析时序模式；融合两类特征进行异常流量判定；
模型部署步骤，包括：将训练完成的模型转换为轻量级格式；部署至各个5G智能随身WiFi设备；配置模型推理参数；启动在线异常检测服务。
可选地，所述当识别出异常流量时，通过设备关联的多个用户界面发出预警信息，同时激活所述第一5G智能随身WiFi设备内置的分级流量控制机制，对异常流量进行限制或阻断的步骤，包括：
异常流量特征提取步骤，包括：获取深度学习模型识别出的异常流量数据；提取异常流量的关键特征参数：流量突增幅度和持续时间，异常连接数和端口使用情况，数据包内容特征；确定异常流量的危害等级；生成异常特征描述报告；
预警信息生成步骤，包括：根据异常等级构建预警信息模板；整合异常流量的具体表现：异常类型描述，影响范围评估，潜在风险分析；生成预警建议措施；添加时间戳和唯一标识；
多界面预警推送步骤，包括：设备显示屏推送：显示预警图标，输出警告音，触发指示灯闪烁；移动APP通知：发送推送通知，更新APP界面状态，显示详细异常信息；Web管理界面提示：更新仪表盘状态，显示预警弹窗，提供详细日志查看；
分级流量控制机制初始化步骤，包括：建立流量控制策略表：定义控制级别阈值，设置控制动作类型，配置控制持续时间；初始化流量控制模块：加载控制规则，设置优先级顺序，准备控制资源；
流量控制执行步骤，包括：轻度异常处理：限制可疑IP的带宽，降低异常流量优先级，记录异常行为；中度异常处理：阻断特定端口流量，限制可疑协议流量，启动流量重定向；严重异常处理：断开异常连接，阻断相关IP段，激活应急响应机制；
控制效果评估步骤，包括：监测控制后的流量变化：分析流量下降趋势，评估带宽恢复情况，检查异常是否消除；记录控制措施效果：统计阻断成功率，计算响应时延，评估误判情况；生成控制效果报告；
自适应优化步骤，包括：根据控制效果动态调整策略：更新控制规则，优化阈值设置，调整控制力度；优化预警机制：改进预警信息内容，调整推送频率，优化展示方式。
可选地，所述为流量监控分配独立网络切片以实现业务隔离，并基于智能合约自动调整切片配置参数步骤，包括：
网络切片初始化步骤，包括：在5G核心网中创建专用于流量监控的网络切片：分配切片标识符，设置切片优先级，定义切片资源配额；配置切片隔离参数：设置资源隔离级别，配置业务隔离策略，建立安全隔离机制；初始化基础服务质量参数：配置带宽限制，设置时延要求，定义可靠性指标；
智能合约部署步骤，包括：在区块链网络中部署切片管理智能合约：编写合约代码，设置触发条件，定义执行规则；初始化合约参数：配置调整阈值，设置决策规则，定义奖惩机制；建立合约调用接口：配置接口权限，设置调用方式，定义数据格式；
切片监控步骤，包括：实时采集切片性能指标：监测资源利用率，记录服务质量参数，统计业务流量情况；分析切片运行状态：评估性能趋势，检测异常情况，预测资源需求；生成监控报告：汇总性能数据，标记异常事件，计算健康指标；
智能合约触发步骤，包括：检查触发条件：判断性能阈值，验证时间条件，确认触发权限；收集决策信息：获取历史数据，分析当前状态，预测未来趋势；执行合约逻辑：计算调整方案，验证可行性，记录执行过程；
切片参数调整步骤，包括：生成调整指令：确定调整项目，计算调整幅度，设置执行时间；执行参数更新：修改带宽配置，调整优先级设置，更新资源配额；验证调整效果：检查参数生效，监测性能变化，评估调整影响；
业务迁移步骤，包括：准备迁移环境：评估目标切片容量，规划迁移路径，准备回滚方案；执行业务迁移：建立数据通道，转移业务流量，同步状态信息；验证迁移结果：检查业务连续性，确认数据完整性，评估服务质量；
持续优化步骤，包括：收集优化数据：统计调整效果，分析性能提升，记录问题反馈；更新智能合约：优化决策规则，调整触发条件，完善执行逻辑；改进管理策略：优化资源分配，更新隔离策略，完善安全机制。
可选地，所述通过跨链互操作机制实现不同运营商间的流量数据互通的步骤，包括：
跨链网络初始化步骤，包括：在各运营商节点部署跨链协议：配置共识机制，设置通信协议，初始化密钥对；建立跨链网关：部署网关节点，配置路由规则，设置安全策略；初始化链间通信通道：建立P2P连接，配置传输协议，设置带宽参数；
数据标准化步骤，包括：制定跨链数据格式规范：定义数据结构，规范字段命名，设置数据类型；建立数据映射关系：配置字段映射，设置转换规则，定义验证方法；实现数据格式转换：处理数据编码，转换数据格式，验证转换结果；
身份认证步骤，包括：部署分布式身份系统：生成身份标识，配置权限级别，设置认证规则；实现多链身份互认：交换身份凭证，验证身份有效性，建立信任关系；管理访问权限：设置访问策略，控制数据权限，记录访问日志；
跨链数据传输步骤，包括：发起数据传输请求：构建传输请求，签名请求数据，选择目标链；执行跨链传输：验证请求合法性，加密数据包，传输数据内容；确认数据接收：校验数据完整性，发送确认信息，记录传输状态；
数据一致性维护步骤，包括：实现原子性操作：设置事务边界，定义回滚机制，确保操作完整；维护数据一致性：同步数据状态，处理冲突情况，保持数据同步；管理版本控制：记录版本信息，跟踪数据变更，维护更新历史；
智能合约跨链调用步骤，包括：部署跨链合约：编写合约代码，设置调用规则，配置执行环境；实现合约互操作：定义接口规范，实现调用方法，处理返回结果；管理合约状态：同步合约状态，处理执行异常，记录调用日志；
性能优化步骤，包括：优化传输效率：实现数据分片，压缩传输内容，优化路由选择；提升处理性能：并行处理请求，优化查询效率，实现缓存机制；监控系统性能：收集性能指标，分析瓶颈问题，优化系统配置。
可选地，所述将所述流量数据、所述流量识别结果和预警记录通过量子加密技术进行加密，并采用分布式账本技术将加密数据打包成区块，构建包含时间戳的区块链账本，实现数据防篡改的步骤，包括：
量子密钥分发步骤，包括：初始化量子密钥分发系统：配置量子通信设备，建立量子信道，设置密钥生成参数；执行量子密钥协商：生成量子比特序列，测量量子态，进行基矢校验；生成共享密钥：执行纠错编码，进行密钥提炼，验证密钥可用性；
数据预处理步骤，包括：整理原始数据：分类流量数据，整合流量识别结果，汇总预警记录；构建数据结构：定义数据格式，设置字段属性，建立索引关系；生成数据摘要：计算哈希值，添加时间戳，记录数据来源；
量子加密步骤，包括：基于量子密钥加密数据：选择加密算法，分块加密数据，生成密文；执行完整性保护：计算认证码，添加校验信息，生成签名；管理密钥状态：更新密钥使用状态，记录密钥版本，设置密钥有效期；
区块构建步骤，包括：打包加密数据：组织区块结构，设置区块头，添加交易内容；生成区块标识：计算区块哈希，链接前序区块，记录区块高度；添加时间证明：获取可信时间戳，签署时间证明，验证时间有效性；
共识验证步骤，包括：发起共识请求：广播区块信息，提交验证请求，等待节点响应；执行共识过程：验证区块有效性，检查数据完整性，确认时间顺序；达成共识结果：收集验证结果，统计共识投票，确认区块状态；
账本维护步骤，包括：更新区块链状态：添加新区块，更新链接关系，维护状态树；管理数据索引：建立检索表，更新索引结构，优化查询性能；执行账本同步：广播更新信息，同步区块数据，验证同步结果；
审计追溯步骤，包括：提供查询接口：设计查询语言，实现检索方法，配置访问权限；支持证明生成：构建证明路径，生成验证证明，提供审计报告；维护历史记录：记录操作日志，保存状态快照，支持版本回溯。
可选地，所述采集周边物联网设备的环境数据，融合环境数据与流量数据进行综合分析，并基于分析结果动态调整流量分配策略的步骤，包括：
从周边的物联网设备采集环境数据；
收集网络流量数据，包括用户的访问量、数据传输速率、延迟；
将采集到的环境数据与流量数据进行融合，形成一个综合数据集；
对综合数据集进行综合分析，利用数据分析算法识别出环境因素与流量变化之间的关系；
基于综合分析的结果，动态调整流量分配策略；
实施调整后的流量分配策略，并持续监控其效果，根据实时反馈，优化流量分配策略，以适应不断变化的环境和用户需求。
本发明的另一方面提供一种基于5G的智能随身WiFi流量监控系统，用于执行一种基于5G的智能随身WiFi流量监控方法，其特征在于，包括：设置有流量统计模块的第一5G智能随身WiFi设备、边缘计算节点和服务器；
设置于第一5G智能随身WiFi设备的芯片组内的流量统计模块被配置为：
采用自适应采样率机制实时捕获数据包；其中，所述自适应采样率机制根据网络负载状态和流量特征，动态调整数据包捕获频率；
在数据包流经内核协议栈关键节点时，提取包括时间戳、源目的IP地址、端口号、协议类型、数据量大小在内的流量数据；
将所述流量数据传输至部署于所述第一5G智能随身WiFi设备本地的边缘计算节点；
所述边缘计算节点被配置为：
采用流式处理框架对所述流量数据进行实时清洗，去除重复、错误及无效流量记录，利用数据压缩算法对清洗后的流量数据进行压缩存储，并按预设分类规则对压缩后的流量数据进行标准化处理，生成流量数据子集；
根据所述流量数据子集和预设的第一流量识别模型，得到流量识别结果；
当识别出异常流量时，通过设备关联的多个用户界面发出预警信息，同时激活所述第一5G智能随身WiFi设备内置的分级流量控制机制，对异常流量进行限制或阻断；
将异常流量特征提取并反馈至所述第一流量识别模型，用于模型优化；
为流量监控分配独立网络切片以实现业务隔离，并基于智能合约自动调整切片配置参数；
通过跨链互操作机制实现不同运营商间的流量数据互通；
将所述流量数据、所述流量识别结果和预警记录通过量子加密技术进行加密，并采用分布式账本技术将加密数据打包成区块，构建包含时间戳的区块链账本，实现数据防篡改；
采集周边物联网设备的环境数据，融合环境数据与流量数据进行综合分析，并基于分析结果动态调整流量分配策略。
采用本发明的技术方案，基于5G的智能随身WiFi流量监控方法，包括：通过设置于第一5G智能随身WiFi设备的芯片组内的流量统计模块，采用自适应采样率机制实时捕获数据包；其中，所述自适应采样率机制根据网络负载状态和流量特征，动态调整数据包捕获频率；在数据包流经内核协议栈关键节点时，提取包括时间戳、源目的IP地址、端口号、协议类型、数据量大小在内的流量数据；将所述流量数据传输至部署于所述第一5G智能随身WiFi设备本地的边缘计算节点；采用流式处理框架对所述流量数据进行实时清洗，去除重复、错误及无效流量记录，利用数据压缩算法对清洗后的流量数据进行压缩存储，并按预设分类规则对压缩后的流量数据进行标准化处理，生成流量数据子集；根据所述流量数据子集和预设的第一流量识别模型，得到流量识别结果；当识别出异常流量时，通过设备关联的多个用户界面发出预警信息，同时激活所述第一5G智能随身WiFi设备内置的分级流量控制机制，对异常流量进行限制或阻断；将异常流量特征提取并反馈至所述第一流量识别模型，用于模型优化；为流量监控分配独立网络切片以实现业务隔离，并基于智能合约自动调整切片配置参数；通过跨链互操作机制实现不同运营商间的流量数据互通；将所述流量数据、所述流量识别结果和预警记录通过量子加密技术进行加密，并采用分布式账本技术将加密数据打包成区块，构建包含时间戳的区块链账本，实现数据防篡改；采集周边物联网设备的环境数据，融合环境数据与流量数据进行综合分析，并基于分析结果动态调整流量分配策略。通过自适应采样和联邦学习提高了流量监控的准确性，实现了多设备协同学习，提升了异常检测效率，支持智能化的流量管理和资源调配；采用流式处理和数据压缩降低了系统开销，边缘计算架构减少了数据传输延迟，网络切片技术保障了监控服务质量；量子加密技术保护数据安全，区块链技术确保数据不可篡改，多层次异常防护机制提升网络安全性；跨链互操作支持更广泛的业务场景，物联网协同实现更全面的监控。
附图说明
图1是本发明一个实施例提供的基于5G的智能随身WiFi流量监控方法的流程图；
图2是本发明一个实施例提供的基于5G的智能随身WiFi流量监控系统的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面参照图1至图2来描述根据本发明一些实施方式提供的一种基于5G的智能随身WiFi流量监控方法及系统。
如图1所示，本发明一个实施例提供一种基于5G的智能随身WiFi流量监控方法，包括：
通过设置于第一5G智能随身WiFi设备的芯片组内的流量统计模块，采用自适应采样率机制实时捕获数据包；其中，所述自适应采样率机制根据网络负载状态和流量特征，动态调整数据包捕获频率；
在数据包流经内核协议栈关键节点时，提取包括时间戳、源目的IP地址、端口号、协议类型、数据量大小在内的流量数据；
可以理解的是，在本步骤中，在第一5G智能随身WiFi设备中，启动数据包捕获模块，确保设备能够监测到流经内核协议栈的所有数据包；确定内核协议栈中的关键节点，例如网络接口层、传输层和应用层等，确保在这些节点上进行数据包的提取；通过内核网络模块监测数据包的流动，确保在数据包经过关键节点时能够及时进行数据提取；在数据包经过关键节点时，提取以下流量数据：时间戳（记录数据包到达关键节点的时间）、源IP地址（提取数据包的源IP地址）、目的IP地址（提取数据包的目的IP地址）、源端口号（提取数据包的源端口号）、目的端口号（提取数据包的目的端口号）、协议类型（识别数据包所使用的传输协议（如TCP、UDP等））、数据量大小（计算数据包的大小（以字节为单位））；将提取的流量数据存储在本地数据库或发送至边缘计算节点进行进一步处理和分析，以便后续的流量监控和异常检测；实现实时监控机制，定期检查提取的数据，生成流量报告，并根据流量特征进行动态调整和优化。本步骤通过在内核协议栈的关键节点提取流量数据，能够全面获取数据包的关键信息，为后续的流量分析提供丰富的数据基础；提取的时间戳、IP地址、端口号等信息能够帮助分析流量模式，识别正常与异常流量，提高流量分析的准确性；通过实时监控和数据提取，能够及时发现异常流量和潜在的安全威胁，增强网络的安全性；通过对流量数据的分析，可以识别网络瓶颈和性能问题，从而进行优化，提高网络的整体性能和用户体验。
将所述流量数据传输至部署于所述第一5G智能随身WiFi设备本地的边缘计算节点；
可以理解的是，在本步骤中，在流量数据提取完成后，确保提取的数据（包括时间戳、源目的IP地址、端口号、协议类型、数据量大小等）经过初步处理，符合传输格式要求；在第一5G智能随身WiFi设备中，启动与边缘计算节点的通信模块，建立可靠的网络连接。确保通信通道的稳定性和安全性，以便后续数据传输；将准备好的流量数据进行打包，采用适当的数据格式（如JSON、XML等），以便于在边缘计算节点进行解析和处理；通过已建立的通信通道，将打包后的流量数据发送至边缘计算节点（此过程可以采用TCP/UDP协议进行数据传输，确保数据的完整性和准确性）；在边缘计算节点接收到数据后，发送确认消息回第一5G智能随身WiFi设备，确保数据传输成功；如果未收到确认消息，则重新传输数据；在边缘计算节点接收到流量数据后，进行存储和进一步处理，包括数据清洗、分析和存储，以便后续的流量监控和异常检测。本步骤通过将流量数据传输至边缘计算节点，可以实现数据的实时处理和分析，提升系统的响应速度；在本地边缘计算节点处理数据，减少了数据传输到远程服务器的延迟，提高了整体系统的效率；通过在本地进行数据处理，减少了数据在传输过程中的泄露风险，增强了数据的安全性；边缘计算节点能够根据实时流量数据进行智能决策和资源分配，优化网络资源的使用，提高网络性能。
采用流式处理框架对所述流量数据进行实时清洗，去除重复、错误及无效流量记录，利用数据压缩算法对清洗后的流量数据进行压缩存储，并按预设分类规则对压缩后的流量数据进行标准化处理，生成流量数据子集；
根据所述流量数据子集和预设的第一流量识别模型（基于联邦学习框架的分布式深度学习模型，该模型整合卷积神经网络和循环神经网络），得到流量识别结果；
可以理解的是，在本步骤中，从存储系统中提取经过清洗和标准化处理的流量数据子集，确保数据格式与第一流量识别模型的输入要求相匹配；在联邦学习框架下，加载预设的第一流量识别模型，该模型结合了卷积神经网络（CNN）和循环神经网络（RNN），以便进行流量识别；对提取的流量数据子集进行必要的预处理，包括：特征提取（利用CNN对流量数据进行特征提取，识别出关键特征）、序列处理（使用RNN处理提取的特征序列，以捕捉流量数据中的时序信息）；将预处理后的数据输入到加载的流量识别模型中，进行推理计算，得到流量识别结果。此过程应确保模型的推理效率和准确性；对模型输出的流量识别结果进行分析，评估识别的准确性和有效性。根据需要，可以进行后续的结果优化或调整模型参数；将流量识别结果存储到数据库中，便于后续查询和分析；同时，将识别结果反馈至联邦学习框架，以便进行模型的持续优化和更新。本步骤结合CNN和RNN的模型架构，能够有效提取流量数据中的空间特征和时序特征，从而提高流量识别的准确性；基于联邦学习框架的分布式深度学习模型，能够在不同数据源之间共享学习成果，增强模型对新型流量模式的适应性；通过联邦学习的机制，数据在本地处理，避免了数据的集中存储和传输，增强了数据隐私保护；快速的流量识别能力使得系统能够实时监控网络流量，及时发现异常流量和潜在的安全威胁。
当识别出异常流量时，通过设备关联的多个用户界面发出预警信息，同时激活所述第一5G智能随身WiFi设备内置的分级流量控制机制，对异常流量进行限制或阻断；
将异常流量特征提取并反馈至所述第一流量识别模型，用于模型优化；
可以理解的是，在识别出异常流量后，首先对该流量进行特征提取，提取的特征应包括流量的关键属性，如流量来源、目的地、数据包大小、协议类型、时间戳等；将提取的异常流量特征进行格式化，确保其符合第一流量识别模型的输入要求（这可能包括数据类型转换、特征标准化等步骤，以便于模型的处理）；建立反馈机制，将格式化后的异常流量特征数据传输至第一流量识别模型（此过程可以通过API调用或直接数据传输的方式实现，确保数据的及时性和准确性；第一流量识别模型接收到反馈的异常流量特征后，进行数据的接收和存储。模型将利用这些新特征进行训练，以优化其识别能力；在接收到新的特征数据后，启动模型的训练过程。通过使用这些特征数据，模型将调整其参数，以提高对异常流量的识别准确性和效率；完成模型训练后，进行模型的验证与评估；使用测试集对优化后的模型进行测试，评估其在识别异常流量方面的性能提升。本步骤通过将异常流量特征反馈至流量识别模型，模型能够学习到新的流量模式，从而提高其识别准确性；模型能够根据不断变化的网络环境和流量特征进行自我优化，增强其对新型异常流量的适应能力；通过持续的特征反馈和模型更新，确保流量识别模型始终保持在最佳状态，能够实时应对新的安全威胁；优化后的模型能够更有效地识别和响应异常流量，提升整体网络的安全性和稳定性。
为流量监控分配独立网络切片以实现业务隔离，并基于智能合约自动调整切片配置参数；
通过跨链互操作机制实现不同运营商间的流量数据互通；
将所述流量数据、所述流量识别结果和预警记录通过量子加密技术进行加密，并采用分布式账本技术将加密数据打包成区块，构建包含时间戳的区块链账本，实现数据防篡改；
采集周边物联网设备的环境数据，融合环境数据与流量数据进行综合分析，并基于分析结果动态调整流量分配策略。
本发明实施例，通过自适应采样和联邦学习提高了流量监控的准确性，实现了多设备协同学习，提升了异常检测效率，支持智能化的流量管理和资源调配；采用流式处理和数据压缩降低了系统开销，边缘计算架构减少了数据传输延迟，网络切片技术保障了监控服务质量；量子加密技术保护数据安全，区块链技术确保数据不可篡改，多层次异常防护机制提升网络安全性；跨链互操作支持更广泛的业务场景，物联网协同实现更全面的监控。
在本发明一些可能的实施方式中，还包括可视化与交互的步骤，具体包括：利用图像处理技术生成3D动态流量可视化界面；集成语音识别模块，支持语音指令查询和控制；通过可解释性模块展示异常流量的具体成因。本方案中多模态交互提升了系统易用性，可视化展示增强了数据理解度，可解释性设计提高了用户信任度。
在本发明一些可能的实施方式中，还包括持续优化的步骤，具体包括：定期收集用户反馈和新型网络攻击特征，利用数据分析技术评估现有监控效果，根据评估结果更新模型参数和监控策略。本方案的持续优化机制确保系统长期效能。
在本发明一些可能的实施方式中，所述通过设置于第一5G智能随身WiFi设备的芯片组内的流量统计模块，采用自适应采样率机制实时捕获数据包的步骤，包括：
初始化配置步骤，包括：在所述第一5G智能随身WiFi设备的芯片组内设置流量统计模块；在所述流量统计模块中配置初始采样率参数，包括基准采样间隔和采样窗口大小；设定流量阈值，包括高负载阈值和低负载阈值；初始化采样率调整因子和调整步长；
网络状态监测步骤，包括：实时监测所述第一5G智能随身WiFi设备的网络接口状态；获取当前网络带宽利用率；检测数据包队列长度；记录网络延迟和丢包率；
负载评估步骤，包括：计算当前时间窗口内的网络负载指标；将计算得到的负载指标与预设阈值进行比较；判定当前网络状态属于高负载、正常负载或低负载情况；生成负载评估结果；
采样率自适应调整步骤，包括：根据负载评估结果动态计算最优采样率；当负载高于高负载阈值时，适当降低采样率以减轻系统压力；当负载低于低负载阈值时，提高采样率以获取更详细的流量信息；确保采样率调整在预设的最大和最小范围内；
数据包捕获步骤，包括：在网络接口驱动程序层设置数据包过滤器；根据当前采样率对经过的数据包进行采样；提取被采样数据包的头部信息；记录数据包的时间戳信息；
采样优化步骤，包括：对不同类型的网络协议采用差异化采样策略；对关键业务流量提高采样优先级；对周期性流量采用预测性采样机制；动态调整采样窗口大小；
资源监控步骤，包括：监测流量统计模块的CPU使用率；监测内存缓冲区占用情况；当系统资源接近阈值时触发保护机制；自动调整采样参数以平衡系统负载；
采样质量评估步骤，包括：计算采样数据的代表性指标；评估采样结果的准确性；分析采样偏差；生成采样质量报告。
本实施例的方案，根据网络负载实时调整采样策略，避免了固定采样率导致的资源浪费或数据丢失，实现了采样率与网络状态的动态平衡；降低了系统资源占用，优化了数据包处理效率，减少了不必要的数据存储；确保采样数据的代表性，提高了流量统计的准确性，支持细粒度的流量分析；优化了系统资源分配，避免了性能瓶颈，提高了设备整体运行效率；支持多协议流量监控，适应不同网络环境，便于功能扩展和优化。
在本发明一些可能的实施方式中，所述采用流式处理框架对所述流量数据进行实时清洗，去除重复、错误及无效流量记录，利用数据压缩算法对清洗后的流量数据进行压缩存储，并按预设分类规则对压缩后的流量数据进行标准化处理，生成流量数据子集的步骤，包括：
流式处理环境初始化步骤，包括：在边缘计算节点部署流式处理框架；配置数据流入口和出口节点；设置数据处理管道的并行度参数；初始化数据缓冲区和处理队列；
数据流接入步骤，包括：建立与流量统计模块的数据传输通道；将接收到的流量数据分片并加入处理队列；为每个数据分片分配唯一标识符；记录数据接入时间戳；
实时清洗步骤，包括：检测并删除重复数据包记录：计算数据包特征哈希值，利用滑动时间窗口进行重复判定，保留最早的有效记录；识别并过滤错误数据：校验数据包完整性，验证协议字段合法性，检查地址格式有效性；剔除无效流量记录：过滤超时数据包，删除不完整会话记录，移除异常长度数据；
数据压缩步骤，包括：对清洗后的数据进行分类打包：按照协议类型分组，按照时间序列批量处理，建立数据索引结构；执行多级压缩处理：首先进行字段级压缩，然后执行块级压缩，最后应用全局压缩；生成压缩元数据：记录压缩算法参数，保存解压缩所需信息，建立压缩数据索引；
标准化处理步骤，包括：执行数据格式统一：统一时间戳格式，标准化地址表示，规范化协议标识；进行数值归一化：计算流量特征的统计值，执行最小-最大归一化，应用Z-score标准化；建立标准化映射表：记录转换参数，保存归一化范围，维护特征映射关系；
流量数据子集生成步骤，包括：按预设规则对数据分类：基于时间维度划分，根据协议类型分组，依据业务特征聚类；构建数据子集索引：创建多维索引结构，建立快速检索表，生成子集关联关系；优化子集存储结构：实现增量更新机制，设计缓存策略，构建分层存储结构；
质量控制步骤，包括：实时监控处理质量：跟踪数据丢失率，监测处理延迟，评估压缩效率；执行异常处理：检测处理异常，触发恢复机制，记录异常日志；生成质量报告：统计处理指标，分析性能瓶颈，提供优化建议。
本实施例的方案，通过流式处理实现了数据的实时清洗，多级压缩策略显著减少存储空间，并行处理提高了系统吞吐量；有效去除了重复和错误数据，标准化处理保证了数据一致性，分类存储提高了数据可用性；减少了存储空间占用，降低了数据传输负载，提高了查询检索效率。
在本发明一些可能的实施方式中，所述第一流量识别模型的构建方法，包括：
模型初始化步骤，包括：在中央服务器端初始化全局模型架构，包含卷积神经网络模块和循环神经网络模块；所述卷积神经网络模块用于提取流量数据的空间特征，包括多层卷积层、池化层和全连接层；所述循环神经网络模块用于提取流量数据的时序特征，包括LSTM或GRU单元；将初始化的全局模型参数分发至参与训练的各个5G智能随身WiFi设备；
本地训练步骤，包括：各个5G智能随身WiFi设备基于本地流量数据集进行模型训练；采用批量归一化处理本地数据，消除设备间数据分布差异；使用差分隐私机制对训练过程进行隐私保护；计算本地模型参数的梯度更新值；
参数聚合步骤，包括：各个5G智能随身WiFi设备将计算得到的梯度更新值加密传输至中央服务器；中央服务器采用加权平均算法聚合所有设备的梯度更新值；更新全局模型参数；将更新后的全局模型参数分发给各参与设备；
模型优化步骤，包括：设置动态学习率调整机制，根据训练进度自适应调整学习率；引入早停机制，当模型性能不再显著提升时停止训练；采用Dropout技术防止模型过拟合；使用残差连接优化梯度传播；
模型评估步骤，包括：在验证数据集上评估模型性能；计算准确率、召回率、F1分数几个评估指标；生成混淆矩阵分析模型预测效果；根据评估结果决定是否需要继续训练；得到第一流量识别模型；
异常检测步骤，包括：将实时流量数据输入训练好的模型；通过卷积神经网络提取空间特征；通过循环神经网络分析时序模式；融合两类特征进行异常流量判定；
模型部署步骤，包括：将训练完成的模型转换为轻量级格式；部署至各个5G智能随身WiFi设备；配置模型推理参数；启动在线异常检测服务。
本实施例的方案，实现了设备间的协同学习，充分利用分散的数据资源；保护了用户隐私，原始数据无需离开本地设备；降低了单个设备的计算负载和存储压力；空间特征和时序特征的结合提高了异常检测准确率，动态学习率和早停机制优化了模型收敛效果；残差连接和Dropout技术增强了模型泛化能力；支持动态添加新的参与设备，模型可持续优化更新，适应不同场景的流量特征；轻量级模型部署减少了设备资源占用，批量训练提高了计算效率，优化的参数聚合机制减少了通信开销；差分隐私保护了用户数据安全，加密传输确保了模型更新过程的安全性，分布式架构增强了系统的容错能力。
在本发明一些可能的实施方式中，所述当识别出异常流量时，通过设备关联的多个用户界面发出预警信息，同时激活所述第一5G智能随身WiFi设备内置的分级流量控制机制，对异常流量进行限制或阻断的步骤，包括：
异常流量特征提取步骤，包括：获取深度学习模型识别出的异常流量数据；提取异常流量的关键特征参数：流量突增幅度和持续时间，异常连接数和端口使用情况，数据包内容特征；确定异常流量的危害等级；生成异常特征描述报告；
可以理解的是，在本发明实施例中，可以对历史流量数据进行分析，根据流量分析结果将异常流量的危害等级分为轻度异常、中度异常和严重异常。当然，也可以根据其他方式将异常流量的危害等级分为其他类型，对此本发明的实施方式不作限制。
预警信息生成步骤，包括：根据异常等级构建预警信息模板；整合异常流量的具体表现：异常类型描述，影响范围评估，潜在风险分析；生成预警建议措施；添加时间戳和唯一标识；
多界面预警推送步骤，包括：设备显示屏推送：显示预警图标，输出警告音，触发指示灯闪烁；移动APP通知：发送推送通知，更新APP界面状态，显示详细异常信息；Web管理界面提示：更新仪表盘状态，显示预警弹窗，提供详细日志查看；
分级流量控制机制初始化步骤，包括：建立流量控制策略表：定义控制级别阈值，设置控制动作类型，配置控制持续时间；初始化流量控制模块：加载控制规则，设置优先级顺序，准备控制资源；
流量控制执行步骤，包括：轻度异常处理：限制可疑IP的带宽，降低异常流量优先级，记录异常行为；中度异常处理：阻断特定端口流量，限制可疑协议流量，启动流量重定向；严重异常处理：断开异常连接，阻断相关IP段，激活应急响应机制；
可以理解的是，可疑IP是指在网络活动中表现出异常或潜在威胁的IP地址，其特征包括但不限于：频繁的登录失败（同一IP地址多次尝试登录失败，可能表明其正在进行暴力破解攻击）；异常的数据流量（该IP地址的流量显著高于正常水平，可能涉及数据泄露或DDoS攻击）；与已知恶意地址的通信（如果该IP地址与已知的恶意IP地址有通信记录，可能表明其参与了恶意活动）；使用不常见的端口或协议（可疑IP可能使用不常见的端口或协议进行通信，这可能是攻击者的行为特征）；等等。可疑协议是指在网络通信中表现出异常或潜在威胁的协议，其特征包括但不限于：使用过时或不安全的协议（如POP3、IMAP和SMTP等老旧协议，可能被攻击者利用进行密码喷射攻击）；异常的协议使用模式（例如，某个协议在不寻常的时间段内被频繁使用，或在不符合正常业务逻辑的情况下被调用）；与可疑IP的关联（如果某个协议的使用与可疑IP的活动相结合，可能表明该协议正在被用于恶意目的）；等等。
控制效果评估步骤，包括：监测控制后的流量变化：分析流量下降趋势，评估带宽恢复情况，检查异常是否消除；记录控制措施效果：统计阻断成功率，计算响应时延，评估误判情况；生成控制效果报告；
自适应优化步骤，包括：根据控制效果动态调整策略：更新控制规则，优化阈值设置，调整控制力度；优化预警机制：改进预警信息内容，调整推送频率，优化展示方式。
本实施例的方案，实现了异常流量的实时预警，支持多渠道同步通知，确保控制措施及时生效；实现了分级精准控制，降低了误判影响，提高了控制效率；多界面协同展示，预警信息清晰直观，控制过程对正常业务影响小；控制机制稳定可靠，支持失败自动恢复，具备应急处理能力；控制策略自适应调整，预警机制持续优化，支持复杂场景处理。
在本发明一些可能的实施方式中，所述为流量监控分配独立网络切片以实现业务隔离，并基于智能合约自动调整切片配置参数步骤，包括：
网络切片初始化步骤，包括：在5G核心网中创建专用于流量监控的网络切片：分配切片标识符，设置切片优先级，定义切片资源配额；配置切片隔离参数：设置资源隔离级别，配置业务隔离策略，建立安全隔离机制；初始化基础服务质量参数：配置带宽限制，设置时延要求，定义可靠性指标；
智能合约部署步骤，包括：在区块链网络中部署切片管理智能合约：编写合约代码，设置触发条件，定义执行规则；初始化合约参数：配置调整阈值，设置决策规则，定义奖惩机制；建立合约调用接口：配置接口权限，设置调用方式，定义数据格式；
切片监控步骤，包括：实时采集切片性能指标：监测资源利用率，记录服务质量参数，统计业务流量情况；分析切片运行状态：评估性能趋势，检测异常情况，预测资源需求；生成监控报告：汇总性能数据，标记异常事件，计算健康指标；
智能合约触发步骤，包括：检查触发条件：判断性能阈值，验证时间条件，确认触发权限；收集决策信息：获取历史数据，分析当前状态，预测未来趋势；执行合约逻辑：计算调整方案，验证可行性，记录执行过程；
切片参数调整步骤，包括：生成调整指令：确定调整项目，计算调整幅度，设置执行时间；执行参数更新：修改带宽配置，调整优先级设置，更新资源配额；验证调整效果：检查参数生效，监测性能变化，评估调整影响；
业务迁移步骤，包括：准备迁移环境：评估目标切片容量，规划迁移路径，准备回滚方案；执行业务迁移：建立数据通道，转移业务流量，同步状态信息；验证迁移结果：检查业务连续性，确认数据完整性，评估服务质量；
持续优化步骤，包括：收集优化数据：统计调整效果，分析性能提升，记录问题反馈；更新智能合约：优化决策规则，调整触发条件，完善执行逻辑；改进管理策略：优化资源分配，更新隔离策略，完善安全机制。
本实施例的方案，实现了流量监控业务的完全隔离，保障了监控服务的稳定性，避免了业务间相互干扰；实现了切片参数的自动调整，减少了人工干预需求，提高了管理效率；保证了监控业务的服务质量，提升了资源利用效率，支持动态负载均衡。
在本发明一些可能的实施方式中，所述通过跨链互操作机制实现不同运营商间的流量数据互通的步骤，包括：
跨链网络初始化步骤，包括：在各运营商节点部署跨链协议：配置共识机制，设置通信协议，初始化密钥对；建立跨链网关：部署网关节点，配置路由规则，设置安全策略；初始化链间通信通道：建立P2P连接，配置传输协议，设置带宽参数；
数据标准化步骤，包括：制定跨链数据格式规范：定义数据结构，规范字段命名，设置数据类型；建立数据映射关系：配置字段映射，设置转换规则，定义验证方法；实现数据格式转换：处理数据编码，转换数据格式，验证转换结果；
身份认证步骤，包括：部署分布式身份系统：生成身份标识，配置权限级别，设置认证规则；实现多链身份互认：交换身份凭证，验证身份有效性，建立信任关系；管理访问权限：设置访问策略，控制数据权限，记录访问日志；
跨链数据传输步骤，包括：发起数据传输请求：构建传输请求，签名请求数据，选择目标链；执行跨链传输：验证请求合法性，加密数据包，传输数据内容；确认数据接收：校验数据完整性，发送确认信息，记录传输状态；
数据一致性维护步骤，包括：实现原子性操作：设置事务边界，定义回滚机制，确保操作完整；维护数据一致性：同步数据状态，处理冲突情况，保持数据同步；管理版本控制：记录版本信息，跟踪数据变更，维护更新历史；
智能合约跨链调用步骤，包括：部署跨链合约：编写合约代码，设置调用规则，配置执行环境；实现合约互操作：定义接口规范，实现调用方法，处理返回结果；管理合约状态：同步合约状态，处理执行异常，记录调用日志；
性能优化步骤，包括：优化传输效率：实现数据分片，压缩传输内容，优化路由选择；提升处理性能：并行处理请求，优化查询效率，实现缓存机制；监控系统性能：收集性能指标，分析瓶颈问题，优化系统配置。
本实施例的方案，实现了不同运营商间的数据互通，支持异构区块链系统对接，保证了数据交换的可靠性；确保了跨链数据传输的安全，实现了完整的身份认证，保护了敏感数据隐私；提高了数据传输效率，优化了处理性能，减少了系统开销；支持新运营商接入，适应不同协议标准，便于功能扩展；确保了数据一致性，支持原子性操作，提供可靠的状态同步。
在本发明一些可能的实施方式中，所述将所述流量数据、所述流量识别结果和预警记录通过量子加密技术进行加密，并采用分布式账本技术将加密数据打包成区块，构建包含时间戳的区块链账本，实现数据防篡改的步骤，包括：
量子密钥分发步骤，包括：初始化量子密钥分发系统：配置量子通信设备，建立量子信道，设置密钥生成参数；执行量子密钥协商：生成量子比特序列，测量量子态，进行基矢校验；生成共享密钥：执行纠错编码，进行密钥提炼，验证密钥可用性；
数据预处理步骤，包括：整理原始数据：分类流量数据，整合流量识别结果，汇总预警记录；构建数据结构：定义数据格式，设置字段属性，建立索引关系；生成数据摘要：计算哈希值，添加时间戳，记录数据来源；
量子加密步骤，包括：基于量子密钥加密数据：选择加密算法，分块加密数据，生成密文；执行完整性保护：计算认证码，添加校验信息，生成签名；管理密钥状态：更新密钥使用状态，记录密钥版本，设置密钥有效期；
区块构建步骤，包括：打包加密数据：组织区块结构，设置区块头，添加交易内容；生成区块标识：计算区块哈希，链接前序区块，记录区块高度；添加时间证明：获取可信时间戳，签署时间证明，验证时间有效性；
共识验证步骤，包括：发起共识请求：广播区块信息，提交验证请求，等待节点响应；执行共识过程：验证区块有效性，检查数据完整性，确认时间顺序；达成共识结果：收集验证结果，统计共识投票，确认区块状态；
账本维护步骤，包括：更新区块链状态：添加新区块，更新链接关系，维护状态树；管理数据索引：建立检索表，更新索引结构，优化查询性能；执行账本同步：广播更新信息，同步区块数据，验证同步结果；
审计追溯步骤，包括：提供查询接口：设计查询语言，实现检索方法，配置访问权限；支持证明生成：构建证明路径，生成验证证明，提供审计报告；维护历史记录：记录操作日志，保存状态快照，支持版本回溯。
本实施例的方案，实现了量子级别的加密保护，确保了数据完整性，防止了数据篡改；提供了可信时间证明，实现了数据不可否认，支持完整审计追溯；提高了数据处理效率，优化了存储结构，提升了查询性能；支持动态节点接入，适应业务规模扩展，便于功能升级。
在本发明一些可能的实施方式中，所述采集周边物联网设备的环境数据，融合环境数据与流量数据进行综合分析，并基于分析结果动态调整流量分配策略的步骤，包括：
从周边的物联网设备（如传感器、摄像头等）采集环境数据（这些数据可能包括温度、湿度、空气质量、光照强度等信息）；
收集网络流量数据，包括用户的访问量、数据传输速率、延迟（这些数据将用于后续的分析）；
将采集到的环境数据与流量数据进行融合，形成一个综合数据集（此步骤需要对数据进行标准化和格式化，以确保不同来源的数据能够有效结合）；
对综合数据集进行综合分析，利用数据分析算法（如机器学习模型）识别出环境因素与流量变化之间的关系（这一分析将帮助理解在不同环境条件下流量的变化趋势）；
基于综合分析的结果，动态调整流量分配策略（例如，在高温或高湿度的环境下，可能需要优先保证某些关键应用的流量，或根据用户需求调整带宽分配）；
实施调整后的流量分配策略，并持续监控其效果，根据实时反馈，优化流量分配策略，以适应不断变化的环境和用户需求。
本实施例的方案，通过环境数据与流量数据的融合分析，能够更合理地分配网络资源，提高整体资源的利用效率；动态调整流量分配策略能够根据环境变化和用户需求，优化网络性能，提升用户的使用体验；系统能够实时响应环境变化，快速调整策略，增强了网络的适应性和灵活性；通过数据分析提供的洞察，支持更智能的决策制定，帮助运营商更好地管理网络流量。通过采集周边物联网设备的环境数据，融合环境数据与流量数据进行综合分析，并基于分析结果动态调整流量分配策略的实现步骤，不仅提高了资源利用率和用户体验，还增强了系统的灵活性和智能决策能力。
请参见图2，本发明的另一实施例提供一种基于5G的智能随身WiFi流量监控系统，用于执行一种基于5G的智能随身WiFi流量监控方法，包括：设置有流量统计模块的第一5G智能随身WiFi设备、边缘计算节点和服务器；
设置于第一5G智能随身WiFi设备的芯片组内的流量统计模块被配置为：
采用自适应采样率机制实时捕获数据包；其中，所述自适应采样率机制根据网络负载状态和流量特征，动态调整数据包捕获频率；
在数据包流经内核协议栈关键节点时，提取包括时间戳、源目的IP地址、端口号、协议类型、数据量大小在内的流量数据；
将所述流量数据传输至部署于所述第一5G智能随身WiFi设备本地的边缘计算节点；
所述边缘计算节点被配置为：
采用流式处理框架对所述流量数据进行实时清洗，去除重复、错误及无效流量记录，利用数据压缩算法对清洗后的流量数据进行压缩存储，并按预设分类规则对压缩后的流量数据进行标准化处理，生成流量数据子集；
根据所述流量数据子集和预设的第一流量识别模型（基于联邦学习框架的分布式深度学习模型，该模型整合卷积神经网络和循环神经网络），得到流量识别结果；
当识别出异常流量时，通过设备关联的多个用户界面发出预警信息，同时激活所述第一5G智能随身WiFi设备内置的分级流量控制机制，对异常流量进行限制或阻断；
将异常流量特征提取并反馈至所述第一流量识别模型，用于模型优化；
为流量监控分配独立网络切片以实现业务隔离，并基于智能合约自动调整切片配置参数；
通过跨链互操作机制实现不同运营商间的流量数据互通；
将所述流量数据、所述流量识别结果和预警记录通过量子加密技术进行加密，并采用分布式账本技术将加密数据打包成区块，构建包含时间戳的区块链账本，实现数据防篡改；
采集周边物联网设备的环境数据，融合环境数据与流量数据进行综合分析，并基于分析结果动态调整流量分配策略。
应当知道的是，图2所示的基于5G的智能随身WiFi流量监控系统的框图仅作示意，其所示出的各模块的数量并不对本发明的保护范围进行限定。本实施例提供的基于5G的智能随身WiFi流量监控系统可以用于执行对应的基于5G的智能随身WiFi流量监控方法的各实施例方案，具体实现过程中请参见各方法实施例的描述，在此不作赘述。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，可轻易想到变化或替换，均可作各种更动与修改，包含上述不同功能、实施步骤的组合，包含软件和硬件的实施方式，均在本发明的保护范围。

Claims (10)

1.一种基于5G的智能随身WiFi流量监控方法，其特征在于，包括：
通过设置于第一5G智能随身WiFi设备的芯片组内的流量统计模块，采用自适应采样率机制实时捕获数据包；其中，所述自适应采样率机制根据网络负载状态和流量特征，动态调整数据包捕获频率；
在数据包流经内核协议栈关键节点时，提取包括时间戳、源目的IP地址、端口号、协议类型、数据量大小在内的流量数据；
将所述流量数据传输至部署于所述第一5G智能随身WiFi设备本地的边缘计算节点；
采用流式处理框架对所述流量数据进行实时清洗，去除重复、错误及无效流量记录，利用数据压缩算法对清洗后的流量数据进行压缩存储，并按预设分类规则对压缩后的流量数据进行标准化处理，生成流量数据子集；
根据所述流量数据子集和预设的第一流量识别模型，得到流量识别结果；
当识别出异常流量时，通过设备关联的多个用户界面发出预警信息，同时激活所述第一5G智能随身WiFi设备内置的分级流量控制机制，对异常流量进行限制或阻断；
将异常流量特征提取并反馈至所述第一流量识别模型，用于模型优化；
为流量监控分配独立网络切片以实现业务隔离，并基于智能合约自动调整切片配置参数；
通过跨链互操作机制实现不同运营商间的流量数据互通；
将所述流量数据、所述流量识别结果和预警记录通过量子加密技术进行加密，并采用分布式账本技术将加密数据打包成区块，构建包含时间戳的区块链账本，实现数据防篡改；
采集周边物联网设备的环境数据，融合环境数据与流量数据进行综合分析，并基于分析结果动态调整流量分配策略。
2.根据权利要求1所述的基于5G的智能随身WiFi流量监控方法，其特征在于，所述通过设置于第一5G智能随身WiFi设备的芯片组内的流量统计模块，采用自适应采样率机制实时捕获数据包的步骤，包括：
初始化配置步骤，包括：在所述第一5G智能随身WiFi设备的芯片组内设置流量统计模块；在所述流量统计模块中配置初始采样率参数，包括基准采样间隔和采样窗口大小；设定流量阈值，包括高负载阈值和低负载阈值；初始化采样率调整因子和调整步长；
网络状态监测步骤，包括：实时监测所述第一5G智能随身WiFi设备的网络接口状态；获取当前网络带宽利用率；检测数据包队列长度；记录网络延迟和丢包率；
负载评估步骤，包括：计算当前时间窗口内的网络负载指标；将计算得到的负载指标与预设阈值进行比较；判定当前网络状态属于高负载、正常负载或低负载情况；生成负载评估结果；
采样率自适应调整步骤，包括：根据负载评估结果动态计算最优采样率；当负载高于高负载阈值时，适当降低采样率以减轻系统压力；当负载低于低负载阈值时，提高采样率以获取更详细的流量信息；确保采样率调整在预设的最大和最小范围内；
数据包捕获步骤，包括：在网络接口驱动程序层设置数据包过滤器；根据当前采样率对经过的数据包进行采样；提取被采样数据包的头部信息；记录数据包的时间戳信息；
采样优化步骤，包括：对不同类型的网络协议采用差异化采样策略；对关键业务流量提高采样优先级；对周期性流量采用预测性采样机制；动态调整采样窗口大小；
资源监控步骤，包括：监测流量统计模块的CPU使用率；监测内存缓冲区占用情况；当系统资源接近阈值时触发保护机制；自动调整采样参数以平衡系统负载；
采样质量评估步骤，包括：计算采样数据的代表性指标；评估采样结果的准确性；分析采样偏差；生成采样质量报告。
3.根据权利要求2所述的基于5G的智能随身WiFi流量监控方法，其特征在于，所述采用流式处理框架对所述流量数据进行实时清洗，去除重复、错误及无效流量记录，利用数据压缩算法对清洗后的流量数据进行压缩存储，并按预设分类规则对压缩后的流量数据进行标准化处理，生成流量数据子集的步骤，包括：
流式处理环境初始化步骤，包括：在边缘计算节点部署流式处理框架；配置数据流入口和出口节点；设置数据处理管道的并行度参数；初始化数据缓冲区和处理队列；
数据流接入步骤，包括：建立与流量统计模块的数据传输通道；将接收到的流量数据分片并加入处理队列；为每个数据分片分配唯一标识符；记录数据接入时间戳；
实时清洗步骤，包括：检测并删除重复数据包记录：计算数据包特征哈希值，利用滑动时间窗口进行重复判定，保留最早的有效记录；识别并过滤错误数据：校验数据包完整性，验证协议字段合法性，检查地址格式有效性；剔除无效流量记录：过滤超时数据包，删除不完整会话记录，移除异常长度数据；
数据压缩步骤，包括：对清洗后的数据进行分类打包：按照协议类型分组，按照时间序列批量处理，建立数据索引结构；执行多级压缩处理：首先进行字段级压缩，然后执行块级压缩，最后应用全局压缩；生成压缩元数据：记录压缩算法参数，保存解压缩所需信息，建立压缩数据索引；
标准化处理步骤，包括：执行数据格式统一：统一时间戳格式，标准化地址表示，规范化协议标识；进行数值归一化：计算流量特征的统计值，执行最小-最大归一化，应用Z-score标准化；建立标准化映射表：记录转换参数，保存归一化范围，维护特征映射关系；
流量数据子集生成步骤，包括：按预设规则对数据分类：基于时间维度划分，根据协议类型分组，依据业务特征聚类；构建数据子集索引：创建多维索引结构，建立快速检索表，生成子集关联关系；优化子集存储结构：实现增量更新机制，设计缓存策略，构建分层存储结构；
质量控制步骤，包括：实时监控处理质量：跟踪数据丢失率，监测处理延迟，评估压缩效率；执行异常处理：检测处理异常，触发恢复机制，记录异常日志；生成质量报告：统计处理指标，分析性能瓶颈，提供优化建议。
4.根据权利要求3所述的基于5G的智能随身WiFi流量监控方法，其特征在于，所述第一流量识别模型的构建方法，包括：
模型初始化步骤，包括：在中央服务器端初始化全局模型架构，包含卷积神经网络模块和循环神经网络模块；所述卷积神经网络模块用于提取流量数据的空间特征，包括多层卷积层、池化层和全连接层；所述循环神经网络模块用于提取流量数据的时序特征，包括LSTM或GRU单元；将初始化的全局模型参数分发至参与训练的各个5G智能随身WiFi设备；
本地训练步骤，包括：各个5G智能随身WiFi设备基于本地流量数据集进行模型训练；采用批量归一化处理本地数据，消除设备间数据分布差异；使用差分隐私机制对训练过程进行隐私保护；计算本地模型参数的梯度更新值；
参数聚合步骤，包括：各个5G智能随身WiFi设备将计算得到的梯度更新值加密传输至中央服务器；中央服务器采用加权平均算法聚合所有设备的梯度更新值；更新全局模型参数；将更新后的全局模型参数分发给各参与设备；
模型优化步骤，包括：设置动态学习率调整机制，根据训练进度自适应调整学习率；引入早停机制，当模型性能不再显著提升时停止训练；采用Dropout技术防止模型过拟合；使用残差连接优化梯度传播；
模型评估步骤，包括：在验证数据集上评估模型性能；计算准确率、召回率、F1分数几个评估指标；生成混淆矩阵分析模型预测效果；根据评估结果决定是否需要继续训练；得到第一流量识别模型；
异常检测步骤，包括：将实时流量数据输入训练好的模型；通过卷积神经网络提取空间特征；通过循环神经网络分析时序模式；融合两类特征进行异常流量判定；
模型部署步骤，包括：将训练完成的模型转换为轻量级格式；部署至各个5G智能随身WiFi设备；配置模型推理参数；启动在线异常检测服务。
5.根据权利要求4所述的基于5G的智能随身WiFi流量监控方法，其特征在于，所述当识别出异常流量时，通过设备关联的多个用户界面发出预警信息，同时激活所述第一5G智能随身WiFi设备内置的分级流量控制机制，对异常流量进行限制或阻断的步骤，包括：
异常流量特征提取步骤，包括：获取深度学习模型识别出的异常流量数据；提取异常流量的关键特征参数：流量突增幅度和持续时间，异常连接数和端口使用情况，数据包内容特征；确定异常流量的危害等级；生成异常特征描述报告；
预警信息生成步骤，包括：根据异常等级构建预警信息模板；整合异常流量的具体表现：异常类型描述，影响范围评估，潜在风险分析；生成预警建议措施；添加时间戳和唯一标识；
多界面预警推送步骤，包括：设备显示屏推送：显示预警图标，输出警告音，触发指示灯闪烁；移动APP通知：发送推送通知，更新APP界面状态，显示详细异常信息；Web管理界面提示：更新仪表盘状态，显示预警弹窗，提供详细日志查看；
分级流量控制机制初始化步骤，包括：建立流量控制策略表：定义控制级别阈值，设置控制动作类型，配置控制持续时间；初始化流量控制模块：加载控制规则，设置优先级顺序，准备控制资源；
流量控制执行步骤，包括：轻度异常处理：限制可疑IP的带宽，降低异常流量优先级，记录异常行为；中度异常处理：阻断特定端口流量，限制可疑协议流量，启动流量重定向；严重异常处理：断开异常连接，阻断相关IP段，激活应急响应机制；
控制效果评估步骤，包括：监测控制后的流量变化：分析流量下降趋势，评估带宽恢复情况，检查异常是否消除；记录控制措施效果：统计阻断成功率，计算响应时延，评估误判情况；生成控制效果报告；
自适应优化步骤，包括：根据控制效果动态调整策略：更新控制规则，优化阈值设置，调整控制力度；优化预警机制：改进预警信息内容，调整推送频率，优化展示方式。
6.根据权利要求5所述的基于5G的智能随身WiFi流量监控方法，其特征在于，所述为流量监控分配独立网络切片以实现业务隔离，并基于智能合约自动调整切片配置参数步骤，包括：
网络切片初始化步骤，包括：在5G核心网中创建专用于流量监控的网络切片：分配切片标识符，设置切片优先级，定义切片资源配额；配置切片隔离参数：设置资源隔离级别，配置业务隔离策略，建立安全隔离机制；初始化基础服务质量参数：配置带宽限制，设置时延要求，定义可靠性指标；
智能合约部署步骤，包括：在区块链网络中部署切片管理智能合约：编写合约代码，设置触发条件，定义执行规则；初始化合约参数：配置调整阈值，设置决策规则，定义奖惩机制；建立合约调用接口：配置接口权限，设置调用方式，定义数据格式；
切片监控步骤，包括：实时采集切片性能指标：监测资源利用率，记录服务质量参数，统计业务流量情况；分析切片运行状态：评估性能趋势，检测异常情况，预测资源需求；生成监控报告：汇总性能数据，标记异常事件，计算健康指标；
智能合约触发步骤，包括：检查触发条件：判断性能阈值，验证时间条件，确认触发权限；收集决策信息：获取历史数据，分析当前状态，预测未来趋势；执行合约逻辑：计算调整方案，验证可行性，记录执行过程；
切片参数调整步骤，包括：生成调整指令：确定调整项目，计算调整幅度，设置执行时间；执行参数更新：修改带宽配置，调整优先级设置，更新资源配额；验证调整效果：检查参数生效，监测性能变化，评估调整影响；
业务迁移步骤，包括：准备迁移环境：评估目标切片容量，规划迁移路径，准备回滚方案；执行业务迁移：建立数据通道，转移业务流量，同步状态信息；验证迁移结果：检查业务连续性，确认数据完整性，评估服务质量；
持续优化步骤，包括：收集优化数据：统计调整效果，分析性能提升，记录问题反馈；更新智能合约：优化决策规则，调整触发条件，完善执行逻辑；改进管理策略：优化资源分配，更新隔离策略，完善安全机制。
7.根据权利要求6所述的基于5G的智能随身WiFi流量监控方法，其特征在于，所述通过跨链互操作机制实现不同运营商间的流量数据互通的步骤，包括：
跨链网络初始化步骤，包括：在各运营商节点部署跨链协议：配置共识机制，设置通信协议，初始化密钥对；建立跨链网关：部署网关节点，配置路由规则，设置安全策略；初始化链间通信通道：建立P2P连接，配置传输协议，设置带宽参数；
数据标准化步骤，包括：制定跨链数据格式规范：定义数据结构，规范字段命名，设置数据类型；建立数据映射关系：配置字段映射，设置转换规则，定义验证方法；实现数据格式转换：处理数据编码，转换数据格式，验证转换结果；
身份认证步骤，包括：部署分布式身份系统：生成身份标识，配置权限级别，设置认证规则；实现多链身份互认：交换身份凭证，验证身份有效性，建立信任关系；管理访问权限：设置访问策略，控制数据权限，记录访问日志；
跨链数据传输步骤，包括：发起数据传输请求：构建传输请求，签名请求数据，选择目标链；执行跨链传输：验证请求合法性，加密数据包，传输数据内容；确认数据接收：校验数据完整性，发送确认信息，记录传输状态；
数据一致性维护步骤，包括：实现原子性操作：设置事务边界，定义回滚机制，确保操作完整；维护数据一致性：同步数据状态，处理冲突情况，保持数据同步；管理版本控制：记录版本信息，跟踪数据变更，维护更新历史；
智能合约跨链调用步骤，包括：部署跨链合约：编写合约代码，设置调用规则，配置执行环境；实现合约互操作：定义接口规范，实现调用方法，处理返回结果；管理合约状态：同步合约状态，处理执行异常，记录调用日志；
性能优化步骤，包括：优化传输效率：实现数据分片，压缩传输内容，优化路由选择；提升处理性能：并行处理请求，优化查询效率，实现缓存机制；监控系统性能：收集性能指标，分析瓶颈问题，优化系统配置。
8.根据权利要求7所述的基于5G的智能随身WiFi流量监控方法，其特征在于，所述将所述流量数据、所述流量识别结果和预警记录通过量子加密技术进行加密，并采用分布式账本技术将加密数据打包成区块，构建包含时间戳的区块链账本，实现数据防篡改的步骤，包括：
量子密钥分发步骤，包括：初始化量子密钥分发系统：配置量子通信设备，建立量子信道，设置密钥生成参数；执行量子密钥协商：生成量子比特序列，测量量子态，进行基矢校验；生成共享密钥：执行纠错编码，进行密钥提炼，验证密钥可用性；
数据预处理步骤，包括：整理原始数据：分类流量数据，整合流量识别结果，汇总预警记录；构建数据结构：定义数据格式，设置字段属性，建立索引关系；生成数据摘要：计算哈希值，添加时间戳，记录数据来源；
量子加密步骤，包括：基于量子密钥加密数据：选择加密算法，分块加密数据，生成密文；执行完整性保护：计算认证码，添加校验信息，生成签名；管理密钥状态：更新密钥使用状态，记录密钥版本，设置密钥有效期；
区块构建步骤，包括：打包加密数据：组织区块结构，设置区块头，添加交易内容；生成区块标识：计算区块哈希，链接前序区块，记录区块高度；添加时间证明：获取可信时间戳，签署时间证明，验证时间有效性；
共识验证步骤，包括：发起共识请求：广播区块信息，提交验证请求，等待节点响应；执行共识过程：验证区块有效性，检查数据完整性，确认时间顺序；达成共识结果：收集验证结果，统计共识投票，确认区块状态；
账本维护步骤，包括：更新区块链状态：添加新区块，更新链接关系，维护状态树；管理数据索引：建立检索表，更新索引结构，优化查询性能；执行账本同步：广播更新信息，同步区块数据，验证同步结果；
审计追溯步骤，包括：提供查询接口：设计查询语言，实现检索方法，配置访问权限；支持证明生成：构建证明路径，生成验证证明，提供审计报告；维护历史记录：记录操作日志，保存状态快照，支持版本回溯。
9.根据权利要求8所述的基于5G的智能随身WiFi流量监控方法，其特征在于，所述采集周边物联网设备的环境数据，融合环境数据与流量数据进行综合分析，并基于分析结果动态调整流量分配策略的步骤，包括：
从周边的物联网设备采集环境数据；
收集网络流量数据，包括用户的访问量、数据传输速率、延迟；
将采集到的环境数据与流量数据进行融合，形成一个综合数据集；
对综合数据集进行综合分析，利用数据分析算法识别出环境因素与流量变化之间的关系；
基于综合分析的结果，动态调整流量分配策略；
实施调整后的流量分配策略，并持续监控其效果，根据实时反馈，优化流量分配策略，以适应不断变化的环境和用户需求。
10.一种基于5G的智能随身WiFi流量监控系统，用于执行如权利要求1至9任一项所述的基于5G的智能随身WiFi流量监控方法，其特征在于，包括：设置有流量统计模块的第一5G智能随身WiFi设备、边缘计算节点和服务器；
设置于第一5G智能随身WiFi设备的芯片组内的流量统计模块被配置为：
采用自适应采样率机制实时捕获数据包；其中，所述自适应采样率机制根据网络负载状态和流量特征，动态调整数据包捕获频率；
在数据包流经内核协议栈关键节点时，提取包括时间戳、源目的IP地址、端口号、协议类型、数据量大小在内的流量数据；
将所述流量数据传输至部署于所述第一5G智能随身WiFi设备本地的边缘计算节点；
所述边缘计算节点被配置为：
采用流式处理框架对所述流量数据进行实时清洗，去除重复、错误及无效流量记录，利用数据压缩算法对清洗后的流量数据进行压缩存储，并按预设分类规则对压缩后的流量数据进行标准化处理，生成流量数据子集；
根据所述流量数据子集和预设的第一流量识别模型，得到流量识别结果；
当识别出异常流量时，通过设备关联的多个用户界面发出预警信息，同时激活所述第一5G智能随身WiFi设备内置的分级流量控制机制，对异常流量进行限制或阻断；
将异常流量特征提取并反馈至所述第一流量识别模型，用于模型优化；
为流量监控分配独立网络切片以实现业务隔离，并基于智能合约自动调整切片配置参数；
通过跨链互操作机制实现不同运营商间的流量数据互通；
将所述流量数据、所述流量识别结果和预警记录通过量子加密技术进行加密，并采用分布式账本技术将加密数据打包成区块，构建包含时间戳的区块链账本，实现数据防篡改；
采集周边物联网设备的环境数据，融合环境数据与流量数据进行综合分析，并基于分析结果动态调整流量分配策略。
CN202510252054.5A 2025-03-05 2025-03-05 一种基于5G的智能随身WiFi流量监控方法及系统 Pending CN120075872A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510252054.5A CN120075872A (zh) 2025-03-05 2025-03-05 一种基于5G的智能随身WiFi流量监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510252054.5A CN120075872A (zh) 2025-03-05 2025-03-05 一种基于5G的智能随身WiFi流量监控方法及系统

Publications (1)

Publication Number Publication Date
CN120075872A true CN120075872A (zh) 2025-05-30

Family

ID=95791534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510252054.5A Pending CN120075872A (zh) 2025-03-05 2025-03-05 一种基于5G的智能随身WiFi流量监控方法及系统

Country Status (1)

Country Link
CN (1) CN120075872A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120415925A (zh) * 2025-07-04 2025-08-01 北京安华金和科技有限公司 一种数据安全处理方法和系统
CN120474980A (zh) * 2025-06-24 2025-08-12 中芯国科(广东)智能制造系统有限公司 一种基于信创平台的网络负载均衡算法及信创终端
CN120729831A (zh) * 2025-08-29 2025-09-30 沈阳强信通信技术有限公司 网络双栈同一用户的ipv4与ipv6地址对应管理方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115426137A (zh) * 2022-08-12 2022-12-02 中国人民解放军战略支援部队信息工程大学 恶意加密网络流量检测溯源方法及系统
US20230370439A1 (en) * 2015-10-28 2023-11-16 Qomplx, Inc. Network action classification and analysis using widely distributed honeypot sensor nodes
CN117914790A (zh) * 2024-01-30 2024-04-19 固安聚龙自动化设备有限公司 一种多网混合加速方法及系统
CN118826999A (zh) * 2024-07-10 2024-10-22 合肥子西科技有限公司 基于区块链的数据可视化网络安全检测方法
CN119127614A (zh) * 2024-09-10 2024-12-13 河南玄同智能科技有限公司 边缘分布场景下的状态应用的全链路监控方法和系统
CN119232666A (zh) * 2024-09-20 2024-12-31 广州启宁信息科技有限公司 一种基于sd-wan技术的动态流量调度方法及系统
WO2025027588A1 (en) * 2024-09-01 2025-02-06 Irajimolladehi Faezeh Ai-enhanced blockchain platform for dynamic smart contract customization, cross-chain interoperability, and automated international trade management

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230370439A1 (en) * 2015-10-28 2023-11-16 Qomplx, Inc. Network action classification and analysis using widely distributed honeypot sensor nodes
CN115426137A (zh) * 2022-08-12 2022-12-02 中国人民解放军战略支援部队信息工程大学 恶意加密网络流量检测溯源方法及系统
CN117914790A (zh) * 2024-01-30 2024-04-19 固安聚龙自动化设备有限公司 一种多网混合加速方法及系统
CN118826999A (zh) * 2024-07-10 2024-10-22 合肥子西科技有限公司 基于区块链的数据可视化网络安全检测方法
WO2025027588A1 (en) * 2024-09-01 2025-02-06 Irajimolladehi Faezeh Ai-enhanced blockchain platform for dynamic smart contract customization, cross-chain interoperability, and automated international trade management
CN119127614A (zh) * 2024-09-10 2024-12-13 河南玄同智能科技有限公司 边缘分布场景下的状态应用的全链路监控方法和系统
CN119232666A (zh) * 2024-09-20 2024-12-31 广州启宁信息科技有限公司 一种基于sd-wan技术的动态流量调度方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
欧阳丽炜;袁勇;郑心湖;张俊;王飞跃;: "基于区块链的传染病监测与预警技术", 智能科学与技术学报, no. 02, 15 June 2020 (2020-06-15) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120474980A (zh) * 2025-06-24 2025-08-12 中芯国科(广东)智能制造系统有限公司 一种基于信创平台的网络负载均衡算法及信创终端
CN120415925A (zh) * 2025-07-04 2025-08-01 北京安华金和科技有限公司 一种数据安全处理方法和系统
CN120729831A (zh) * 2025-08-29 2025-09-30 沈阳强信通信技术有限公司 网络双栈同一用户的ipv4与ipv6地址对应管理方法

Similar Documents

Publication Publication Date Title
US9860154B2 (en) Streaming method and system for processing network metadata
CN120075872A (zh) 一种基于5G的智能随身WiFi流量监控方法及系统
CN114584405A (zh) 一种电力终端安全防护方法及系统
US9654445B2 (en) Network traffic filtering and routing for threat analysis
US12335315B2 (en) Method and system for smart recommendation and dynamic grouping of devices for a better device management
US10735453B2 (en) Network traffic filtering and routing for threat analysis
CN119051936B (zh) 加密算法的动态选择、基于云计算的安全通信方法及系统
JP2016508353A (ja) ネットワークメタデータを処理する改良されたストリーミング方法およびシステム
US7903657B2 (en) Method for classifying applications and detecting network abnormality by statistical information of packets and apparatus therefor
CN120321267B (zh) 一种多协议传输的文本数据监控与告警方法及系统
CN114710353A (zh) 一种基于AIoT智能边缘网关的风险管控系统
CN118802737A (zh) 多协议数据流的路由控制方法及系统
CN118337487B (zh) 一种基于大数据的安全网络信息智能化控制方法及系统
CN120201420A (zh) 面向5g网络的异构加密多模态多媒体消息实时分片传输方法
CN119182599A (zh) 设备接入鉴权方法、装置、设备及存储介质
CN116232770A (zh) 一种基于sdn控制器的企业网络安全防护系统及方法
US20250286903A1 (en) Enhanced encrypted traffic analysis via integrated entropy estimation and neural network-based feature hybridization
CN119479336B (zh) 一种基于自动化协议对接的智慧交通系统的控制方法
CN119011360B (zh) 扁平云化架构统一融合管理方法、装置及设备
WO2025036112A1 (zh) 数据安全保护选择方法、装置及存储介质
CN119557810B (zh) 一种信息资产大模型自动化决策系统及方法
CN119276538B (zh) 恶意流量检测方法、装置、计算机设备及可读存储介质
CN117234739B (zh) 用于工业数据分析的方法及装置、系统、存储介质
KR20250147971A (ko) 심층패킷분석 장치와 정책제어기능 장치를 이용한 효율적인 트래픽 관리 시스템 및 방법
CN120812587A (zh) 数据处理方法及装置、非易失性存储介质、电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination