[發(fā)明專(zhuān)利]基于DPI和CNN的區(qū)塊鏈應(yīng)用流量識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110702605.5
• 申請(qǐng)日: 2021-06-24
• 公開(kāi)（公告）號(hào): CN113486935A
• 公開(kāi)（公告）日: 2021-10-08
• 發(fā)明（設(shè)計(jì)）人: 祝遠(yuǎn)鑒;李祥;張斌浩;秦曉龍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京烽火星空通信發(fā)展有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06N3/04;H04L29/06
• 代理公司: 南京經(jīng)緯專(zhuān)利商標(biāo)代理有限公司 32200
• 代理人: 陸志斌

本發(fā)明公開(kāi)了一種基于DPI和CNN的區(qū)塊鏈應(yīng)用流量識(shí)別方法，包括以下步驟：步驟S1、流量采集模塊通過(guò)規(guī)則下發(fā)機(jī)制捕獲并下發(fā)網(wǎng)絡(luò)數(shù)據(jù)流量；步驟S2、DPI識(shí)別模塊采用模式匹配算法對(duì)流量數(shù)據(jù)進(jìn)行模式匹配，從而對(duì)應(yīng)用流量進(jìn)行識(shí)別，當(dāng)匹配識(shí)別成功，則標(biāo)記相應(yīng)流量，結(jié)束；當(dāng)無(wú)法匹配識(shí)別時(shí)，標(biāo)記為不確定流量，并進(jìn)入步驟S3；步驟S3、利用卷積神經(jīng)網(wǎng)絡(luò)模型CNN對(duì)不確定流量進(jìn)行分類(lèi)識(shí)別，當(dāng)識(shí)別成功后，則標(biāo)記為區(qū)塊鏈相應(yīng)流量類(lèi)型，結(jié)束；當(dāng)無(wú)法識(shí)別時(shí)，標(biāo)記為非區(qū)塊鏈流量，結(jié)束。通過(guò)本發(fā)明很好地彌補(bǔ)了使用傳統(tǒng)方法不能精確識(shí)別出區(qū)塊鏈應(yīng)用的缺點(diǎn)，極大地提升了對(duì)區(qū)塊鏈應(yīng)用的識(shí)別能力。

技術(shù)領(lǐng)域

本發(fā)明屬于區(qū)塊鏈技術(shù)領(lǐng)域，尤其涉及基于深度包檢測(cè)技術(shù)(DPI)與卷積神經(jīng)網(wǎng)絡(luò)(CNN)的區(qū)塊鏈應(yīng)用流量的識(shí)別技術(shù)。

背景技術(shù)

區(qū)塊鏈技術(shù)作為一種新興技術(shù)，具有：不可篡改、去中心化、方便追溯、集體維護(hù)等特點(diǎn)。其核心技術(shù)主要涉及加密技術(shù)、點(diǎn)對(duì)點(diǎn)網(wǎng)絡(luò)設(shè)計(jì)、分布式算法的實(shí)現(xiàn)以及數(shù)據(jù)存儲(chǔ)技術(shù)的使用。去中心化的區(qū)塊鏈技術(shù)具有比中心化技術(shù)架構(gòu)在隱私及安全等方面更顯著的優(yōu)勢(shì)。業(yè)界在其他領(lǐng)域傳統(tǒng)的流量識(shí)別方法主要：支持向量機(jī)(SVM)的識(shí)別方法、基于貝葉斯算法的識(shí)別方法以及基于決策樹(shù)(Decision Tree)的識(shí)別方法等。但是目前針對(duì)區(qū)塊鏈應(yīng)用協(xié)議流量識(shí)別的方法還相對(duì)較少，還未出現(xiàn)正式發(fā)表過(guò)的文獻(xiàn)資料。

現(xiàn)有的技術(shù)主要應(yīng)用于傳統(tǒng)的中心化對(duì)等網(wǎng)絡(luò)以及去中心化的P2P網(wǎng)絡(luò)中的流量識(shí)別。在大規(guī)模訓(xùn)練或識(shí)別誤差方面具有明顯的缺點(diǎn)。例如：基于支持向量機(jī)(SVM)的識(shí)別方法，是一種適用于小樣本訓(xùn)練模型的新穎學(xué)習(xí)方法。它具有算法簡(jiǎn)單，性能穩(wěn)定的特點(diǎn)。但該算法及其改進(jìn)方法在大規(guī)模訓(xùn)練樣本訓(xùn)練時(shí)和解決多分類(lèi)問(wèn)題時(shí)難以實(shí)施；基于決策樹(shù)的識(shí)別方法，效率高且易于理解和實(shí)現(xiàn)，但是在處理特征關(guān)聯(lián)性比較強(qiáng)的數(shù)據(jù)時(shí)會(huì)產(chǎn)生較大誤差。因此，當(dāng)用于數(shù)據(jù)流量巨大且需要對(duì)大規(guī)模訓(xùn)練樣本進(jìn)行訓(xùn)練的區(qū)塊鏈應(yīng)用進(jìn)行流量識(shí)別時(shí)，以上方法存在明顯的缺點(diǎn)。

隨著技術(shù)的提高，目前市場(chǎng)中的區(qū)塊鏈應(yīng)用成持續(xù)上升趨勢(shì)。網(wǎng)絡(luò)管理員如何更加有效對(duì)區(qū)塊鏈流量進(jìn)行監(jiān)控成為一個(gè)嚴(yán)峻的問(wèn)題。但以去中心化為鮮明特點(diǎn)的區(qū)塊鏈應(yīng)用與傳統(tǒng)的中心化應(yīng)用在網(wǎng)絡(luò)模型涉及上存在顯著的不同。且目前尚未出現(xiàn)針對(duì)區(qū)塊鏈流量進(jìn)行識(shí)別的相關(guān)文獻(xiàn)。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明提供了一種基于DPI和CNN的區(qū)塊鏈應(yīng)用流量識(shí)別方法，能更加精準(zhǔn)的識(shí)別網(wǎng)絡(luò)中的區(qū)塊鏈應(yīng)用，提高了對(duì)區(qū)塊鏈應(yīng)用流量的識(shí)別能力。

為解決上述技術(shù)問(wèn)題，本發(fā)明采用了以下技術(shù)方案：

一種基于DPI和CNN的區(qū)塊鏈應(yīng)用流量識(shí)別方法，包括以下步驟：

步驟S1、流量采集模塊通過(guò)規(guī)則下發(fā)機(jī)制捕獲并下發(fā)網(wǎng)絡(luò)數(shù)據(jù)流量；

步驟S2、DPI識(shí)別模塊采用模式匹配算法對(duì)流量數(shù)據(jù)進(jìn)行模式匹配，從而對(duì)應(yīng)用流量進(jìn)行識(shí)別，當(dāng)匹配識(shí)別成功，則標(biāo)記相應(yīng)流量，結(jié)束；當(dāng)無(wú)法匹配識(shí)別時(shí)，標(biāo)記為不確定流量，并進(jìn)入步驟S3；

步驟S3、利用卷積神經(jīng)網(wǎng)絡(luò)模型CNN對(duì)不確定流量進(jìn)行分類(lèi)識(shí)別，當(dāng)識(shí)別成功后，則標(biāo)記為區(qū)塊鏈相應(yīng)流量類(lèi)型，結(jié)束；當(dāng)無(wú)法識(shí)別時(shí)，標(biāo)記為非區(qū)塊鏈流量，結(jié)束。

進(jìn)一步的，步驟S2所述DPI識(shí)別模塊對(duì)流量數(shù)據(jù)進(jìn)行模式匹配時(shí)，首先對(duì)流量數(shù)據(jù)應(yīng)用層協(xié)議進(jìn)行解析及解碼，然后采用搜索算法引擎提取流量數(shù)據(jù)包中有效載荷特征，并將該有效載荷特征與DPI識(shí)別模塊中的特征庫(kù)進(jìn)行匹配，若匹配成功，則將該流量數(shù)據(jù)標(biāo)識(shí)為已知區(qū)塊鏈應(yīng)用數(shù)據(jù)。

進(jìn)一步的，步驟S3中卷積神經(jīng)網(wǎng)絡(luò)模型CNN識(shí)別數(shù)據(jù)流量的具體過(guò)程如下：

(1)特征提取模塊采集區(qū)塊鏈流量作為訓(xùn)練流量數(shù)據(jù)，并提取訓(xùn)練流量數(shù)據(jù)的統(tǒng)計(jì)特征，建立流量特征向量集；

(2)機(jī)器學(xué)習(xí)訓(xùn)練模塊對(duì)流量特征向量進(jìn)行深度學(xué)習(xí)，訓(xùn)練得到用于識(shí)別區(qū)塊鏈應(yīng)用流量的訓(xùn)練模型；