[發明專利]一種基于注意力機制的時空特征流量分類研究方法

在審

• 申請號: 201911048902.1
• 申請日: 2019-10-30
• 公開（公告）號: CN111447151A
• 公開（公告）日: 2020-07-24
• 發明（設計）人: 廖年冬;宋硯琪
• 申請（專利權）人: 長沙理工大學
• 主分類號: H04L12/851
• 分類號: H04L12/851;H04L12/859;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于注意力機制的時空特征流量分類研究方法，其特征在于，包括步驟：

S1:對數據集進行流量分割、流量清洗、圖像生成、IDX轉換四個步驟的預處理；

S2:將預處理后的數據集分為訓練集和測試集，在所述訓練集上對LSTM網絡進行訓練，提取出時序特性的特征；

S3:將經過時間特性特征提取后得到的數據集輸入的SE-CNN網絡進行空間特征提取，SE-CNN網絡是由基于通道的注意力機制SE模塊與CNN構成。

2.根據權利要求1所述的基于SE-CNN與時空特征的流量分類研究方法，其特征在于，所述數據集為非專家手工提取特征的原始公共數據集，ISCX VPN-nonVPN和USTC-TFC2016，來源于加拿大網絡安全研究所，分別為12類和20類。

3.根據權利要求1所述的基于SE-CNN與時空特征的流量分類研究方法，其特征在于，訓練LSTM和SE-CNN網絡。

4.根據權利要求1-3任意一項所述的基于SE-CNN與時空特征的流量分類研究方法，其特征在于，步驟S3包括：

S301：步驟S2的輸出作為S301的輸入，SE-CNN模型的前3層卷積層分別包含了32個3*3、64個3*3和64個3*3的卷積核；

S302：S301的輸出作為S302的輸入，SE-CNN模型的第4層是步長為2的2*2最大池化層，第5層嵌入SE模塊，SE模塊具有全局池化、權重生成和權重再分配三個操作，這三個操作將每個通道的重要性經過權值的再分配，加強主要特征通道的比重，減少次要特征通道的比重；

S303：步驟302的輸出作為步驟303的輸入，SE-CNN模型的第6層至第8層分別包含了32個3*3、32個3*3和16個3*3的卷積核；

S304：步驟303的輸出作為步驟304的輸入，SE-CNN模型的第9層為2*2的最大池化層，步長為2，第10層嵌入SE模塊，具體操作同步驟302的第5層SE模塊，最后通過具有1024個神經元的第11層全連接層和具有12/20個(根據流量類別決定)神經元的第12層全連接層；

S305：步驟304的輸出作為305的輸入，SE-CNN模型的第13層Softmax層將輸出整合成數值為(0,1)的12/20(根據流量類別決定)維的向量用于分類。