[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

本公開提供一種基于深度學習的加密流量分類方法及相關設備，所述方法包括：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；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。本公開的方法基于多維度表示加密流量數據，增強了加密流量分類模型的泛化能力，提高對加密流量數據分類的準確性。

技術領域

本公開涉及網絡流量分類技術領域，尤其涉及一種基于深度學習的加密流量分類方法及相關設備。

背景技術

現有的網絡流量分類技術可以分為四類：基于端口分類的技術，基于深度包檢測(DPI)的技術，基于統計的技術，基于行為的技術。但隨著互聯網流量的急劇變化，特別是加密技術的廣泛應用，基于端口分類的和基于深度包檢測的技術分類準確率急劇下降。為了能夠對加密后的流量進行分類，一般采用不直接解析加密算法的思路，從流量或應用的統計行為特征出發，提出了三種針對加密流量的分類技術：基于通信模式的、基于機器學習的、基于深度學習的。其中，基于通信模式的加密流量分類技術往往需要構建網絡通信連通圖，存在計算復雜度和空間復雜度較高的問題；基于機器學習的加密流量分類技術嚴重依賴于人工特征的設計選取，存在泛化能力差、實際應用困難的問題；基于深度學習的加密流量分類技術通常是將加密流量數據直接轉換成灰度圖或者是分析數據包之間的關聯特征從單一維度來表示網絡流量，存在模型欠擬合、分類準確率低的問題。

發明內容

有鑒于此，本公開的目的在于提出一種基于深度學習的加密流量分類方法及相關設備。

基于上述目的，本公開提供了一種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；

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。

基于同一發明構思，本公開還提供了一種基于深度學習的加密流量分類裝置，包括：第一獲取模塊：被配置為基于加密流量數據獲取網絡流數據集；

第二獲取模塊：被配置為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；

特征轉換模塊：被配置為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；

加密流量分類模塊：被配置為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。

基于同一發明構思，本公開還提供了一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現如上任意一項所述的方法。

基于同一發明構思，本公開還提供了一種非暫態計算機可讀存儲介質，所述非暫態計算機可讀存儲介質存儲計算機指令，所述計算機指令用于使計算機執行如上任一所述方法。

從上面所述可以看出，本公開提供的基于深度學習的加密流量分類方法及相關設備，通過構建三維矩陣特征集作為預先訓練的加密流量分類模型的輸入，三維矩陣特征集能夠體現加密流量數據的多維特性，使加密流量分類模型具有較高的擬合度和較強的泛化能力，進而提升加密流量數據分類的準確率；此外，通過加密流量分類模型對加密流量數據的分類特征進行學習，節省了大量人工工作量的同時降低了任務的復雜度。

附圖說明