[發明專利]基于深度學習的加密流量分類方法及相關設備

有效

• 申請號: 202110420629.1
• 申請日: 2021-04-19
• 公開（公告）號: CN113177209B
• 公開（公告）日: 2023-02-10
• 發明（設計）人: 黃小紅;朱蒙;李建華;李丹丹;叢群;李宇翀
• 申請（專利權）人: 北京郵電大學;中國人民解放軍32147部隊;北京網瑞達科技有限公司;鄭州師范學院
• 主分類號: G06F21/60
• 分類號: G06F21/60;G06N3/04;G06N3/08
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 孫曉鳳

1.一種基于深度學習的加密流量分類方法，包括：

基于加密流量數據獲取網絡流數據集；

通過所述網絡流數據集獲取三維特征集，所述三維特征集包括時序特征、空間特征以及統計特征；

其中，通過所述網絡流數據集獲取三維特征集包括：

對于所述網絡流數據集中的每條數據流執行以下操作：

根據所述數據流的數據包結構分別確定每個數據包中有效載荷的字節數和傳輸控制協議TCP窗口大小；根據所述數據流的第一個數據包和剩余的目標數據包的時間戳，確定數據包間隔時間；響應于確定所述目標數據包的源端口與所述第一個數據包的源端口為同一端口，獲取數據包方向；將所述有效載荷的字節數、TCP窗口大小、數據包間隔時間以及數據包方向填充至預設的第二矩陣；獲取所述數據流中每個數據包的字節分布率，并選取所述字節分布率最高的預設個數的字節作為所述數據包的統計特征填充至預設的第三矩陣；將每條所述數據流及其所述第二矩陣分別作為空間特征和時序特征，并結合所述第三矩陣得到所述三維特征集；

將所述三維特征集的數據填充到N*N*3的第一矩陣中，通過映射獲得圖像格式的三維矩陣特征集，其中，N表示第一矩陣的尺寸；

根據所述三維矩陣特征集以及預先訓練的加密流量分類模型，得到所述加密流量數據的分類結果。

2.根據權利要求1所述的方法，其中，所述加密流量數據的獲取方法為：

在交換機配置中設置鏡像端口，并將所述鏡像端口作為監聽端口；

對于多個不同的應用程序中的每個所述應用程序執行以下操作：

響應于確定所述應用程序運行時通過所述監聽端口采集的數據包數量達到預設的閾值，停止對所述應用程序進行抓包，其中所述數據包的文件格式為pcap；

通過所述數據包中數據包頭的caplen字段截取所述數據包的數據部分并保存為以相應的所述應用程序命名的數據文件，以得到所述加密流量數據。

3.根據權利要求2所述的方法，其中，所述基于加密流量數據獲取網絡流數據集包括：

基于五元組的定義，對所述加密流量數據進行整流，并獲取屬于同一條數據流的預設數量的所述數據包，并根據預設數據包長度對同一條數據流中所述數據包的長度進行統一；

將每條所述數據流中與所述數據包的無關數據剔除；

將每條所述數據流中所述數據包的二進制字符串轉換成十進制數字；

基于所述數據文件對每條所述數據流進行標注，以獲得所述網絡流數據集。

4.根據權利要求1所述的方法，其中，所述將所述三維特征集的數據填充到N*N*3的矩陣中，通過映射獲得圖像格式的三維矩陣特征集包括：

對于所述三維特征集中每個三維特征執行以下操作：

將所述三維特征按照時間維度、空間維度、統計維度填充至N*N*3的所述第三矩陣中，并根據每個維度對應位置的字節得到一像素點；

基于全部所述像素點，將每個所述三維特征映射為三維圖像；

根據所述三維圖像得到所述三維矩陣特征集。

5.根據權利要求1所述的方法，其中，所述得到所述加密流量數據的分類結果包括：

獲取所述加密流量數據的所述時序特征、空間特征和統計特征，并輸入至所述加密流量分類模型中，以輸出每個應用類型的分類概率；

根據所述分類概率，得到所述加密流量數據的分類結果。

6.根據權利要求1所述的方法，其中，所述加密流量分類模型是基于LeNet-5模型構建的，用于加密流量分類的卷積神經網絡模型，其中，所述加密流量分類模型包括兩層卷積層、兩層池化層以及三層全連接層。