[發明專利]利用聯邦學習訓練卷積神經網絡的業務類型識別方法

在審

• 申請號: 202110949103.2
• 申請日: 2021-08-18
• 公開（公告）號: CN113726561A
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 趙力強;王佳妮;梁凱;王哲;朱曼華
• 申請（專利權）人: 西安電子科技大學
• 主分類號: H04L12/24
• 分類號: H04L12/24;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

本發明公開一種利用聯邦學習訓練卷積神經網絡的業務類型識別方法，其實現步驟為：(1)生成每個邊緣服務器的訓練集；(2)構建一個卷積神經網絡；(3)對卷積神經網絡利用聯邦學習進行協同訓練；(4)預測每個邊緣服務器的業務類型。本發明采用聯邦學習，在云服務器和邊緣服務器中協同訓練卷積神經網絡，用于對每個邊緣服務器抓取的網絡流量進行業務類型的識別，保護了用戶的隱私數據，擴大了每個邊緣服務器的卷積神經網絡可預測的業務類型的范圍。

技術領域

本發明屬于通信技術領域，更進一步涉及網絡通信技術領域中的一種利用聯邦學習訓練卷積神經網絡的業務類型識別方法。本發明可用于云服務器和邊緣服務器協同工作的環境中，在保證用戶隱私的前提下可以對較多的業務類型進行識別，為面向服務進行資源分配和定制化的劃分網絡切片等技術提供重要依據。

背景技術

第五代移動通信網絡5G(the fifth generation)中新興業務的出現，使得網絡中的需求急劇增加。業務識別技術對于擴展網絡功能，實現網絡的精細化管控具有重要的意義。傳統的業務識別在特征選擇與獲取過程中需要消耗研究者大量的時間和精力，并且特征獲取的過程可能造成信息熵的損失，從而影響識別精度。而基于機器學習的業務識別在提取數據中的關鍵信息，構建數據集時需要將用戶的私有數據直接收集到云服務器或者收集到邊緣服務器后再上傳到云服務器中，然后借助云服務器充足的計算資源訓練模型。這不僅使得個人信息存在泄露的潛在風險，而且訓練的模型只能預測云服務器中訓練集具有的業務類型，可預測的業務類型較少。因此，在云服務器和邊緣服務器中協同訓練模型時需要對用戶的隱私進行保護，同時也需要增加模型可以識別的業務種類，而聯邦學習為此提供了便捷的條件和保障。

上海漢澄電子設備有限公司在其申請的專利文獻“一種基于深度學習方法和DFI的VPN隧道流量識別方法”(申請號201910087208.4，申請公布號CN111490945A)中公開了一種面向VPN隧道流量的業務識別方法。該方法的具體步驟為：第一步，從數據包中識別應用程序與VPN客戶端之間的連接標識信息；第二步，將所述識別信息與對應程序進行驗證，驗證通過則創建網絡接口，驗證不通過則斷開應用程序與VPN客戶端的連接；第三步，從數據包中獲取網絡流量協議，并基于該協議抽取并選擇合適的數據包特征值，如提取數據包頭信息和統計信息；第四步，構建卷積神經網絡；第五步，流量識別模塊獲取流量的業務識別信息，并按照控制策略配制樣本模塊，并按照流量控制策略控制DFI識別單元對網絡流量進行識別。該發明能夠自動提取到有利于分類任務的特征，無需花費精力于協議特征抽取與選擇。但是，該方法仍然存在的不足之處是：業務識別模型訓練的過程中直接將數據包上傳到云服務器或邊緣服務器，數據包完全暴露在整個網絡環境中，會泄漏用戶隱私。

信陽農林學院在其申請的專利文獻“一種基于深度學習的網絡加密流量識別方法、裝置及設備”(申請號202110439430.3，申請公布號CN 113132397 A)中公開一種基于深度學習的網絡加密業務識別方法。該方法的步驟包括如下：第一步，對移動流量數據進行預處理操作，得到預處理數據；第二步，對所述預處理數據進行數據歸一化處理，對數據歸一化處理后的數據進行卷積操作，采用線性流函數作為激活函數對得到的卷積結果計算，并對得到的計算結果進行分類，得到分類結果。該發明能夠對移動流量、以及加密的流量進行業務識別，處理速度快、分類結果精度高。但是，該方法仍然存在的不足之處是：訓練好的模型只能預測單個服務器中訓練集具有的業務類型，可預測的業務類型較少。

發明內容

本發明的目的在于針對上述已有技術的不足，提供一種利用聯邦學習訓練卷積神經網絡的業務類型識別方法，用于解決現有業務類型識別方法中將訓練集上傳到云服務器或邊緣服務器中對卷積神經網絡進行訓練，識別過程直接對網絡中的數據包進行解析，存在數據包被泄漏的風險，可以識別的業務類型局限于訓練模型時使用的訓練集中業務的類型，能夠識別的業務類型較少的問題。