[發(fā)明專利]基于圖神經(jīng)網(wǎng)絡(luò)和流時空關(guān)聯(lián)的網(wǎng)絡(luò)流量識別方法和系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202210292940.7
• 申請日: 2022-03-24
• 公開（公告）號: CN114389966B
• 公開（公告）日: 2022-06-21
• 發(fā)明（設(shè)計）人: 譚小彬;彭闖;楊堅;施錢寶
• 申請（專利權(quán)）人: 合肥綜合性國家科學(xué)中心人工智能研究院（安徽省人工智能實驗室）
• 主分類號: H04L43/04
• 分類號: H04L43/04;H04L43/026;G06N3/04;G06K9/62
• 代理公司: 深圳市世紀(jì)恒程知識產(chǎn)權(quán)代理事務(wù)所 44287
• 代理人: 高川

1.一種基于圖神經(jīng)網(wǎng)絡(luò)和流時空關(guān)聯(lián)的網(wǎng)絡(luò)流量識別方法，其特征在于，所述網(wǎng)絡(luò)流量識別方法包括：

獲取待識別網(wǎng)絡(luò)數(shù)據(jù)集；

提取所述待識別網(wǎng)絡(luò)數(shù)據(jù)集中每一條待識別網(wǎng)絡(luò)數(shù)據(jù)流的目標(biāo)特征，并基于各所述待識別網(wǎng)絡(luò)數(shù)據(jù)流對應(yīng)的目標(biāo)特征，構(gòu)建網(wǎng)絡(luò)數(shù)據(jù)流時空關(guān)聯(lián)圖，其中，所述網(wǎng)絡(luò)數(shù)據(jù)流時空關(guān)聯(lián)圖中的一個節(jié)點代表一條待識別網(wǎng)絡(luò)數(shù)據(jù)流，所述網(wǎng)絡(luò)數(shù)據(jù)流時空關(guān)聯(lián)圖中的一條邊表示各所述待識別網(wǎng)絡(luò)數(shù)據(jù)流之間的關(guān)聯(lián)性；

將所述網(wǎng)絡(luò)數(shù)據(jù)流時空關(guān)聯(lián)圖進(jìn)行圖分割處理，獲得各目標(biāo)子圖；

基于已訓(xùn)練好的網(wǎng)絡(luò)流量識別模型，分別對各所述目標(biāo)子圖進(jìn)行識別，得到各所述目標(biāo)子圖對應(yīng)的全局表征信息，并基于各所述目標(biāo)子圖對應(yīng)的全局表征信息，確定各所述目標(biāo)子圖中待識別網(wǎng)絡(luò)數(shù)據(jù)流所屬的目標(biāo)應(yīng)用，其中，所述網(wǎng)絡(luò)流量識別模型為基于預(yù)先提取的各網(wǎng)絡(luò)數(shù)據(jù)流的節(jié)點特征以及各網(wǎng)絡(luò)數(shù)據(jù)流之間的時空關(guān)聯(lián)特征構(gòu)建的時空關(guān)聯(lián)圖進(jìn)行迭代訓(xùn)練獲得；在所述基于已訓(xùn)練好的網(wǎng)絡(luò)流量識別模型，分別對各所述目標(biāo)子圖進(jìn)行識別，得到各所述目標(biāo)子圖對應(yīng)的全局表征信息，其中，所述網(wǎng)絡(luò)流量識別模型為基于預(yù)先提取的各網(wǎng)絡(luò)數(shù)據(jù)流的節(jié)點特征以及各網(wǎng)絡(luò)數(shù)據(jù)流之間的時空關(guān)聯(lián)特征構(gòu)建的時空關(guān)聯(lián)圖進(jìn)行迭代訓(xùn)練獲得的步驟之前，所述網(wǎng)絡(luò)流量識別方法還包括：

采集不同類別的網(wǎng)絡(luò)應(yīng)用的目標(biāo)網(wǎng)絡(luò)數(shù)據(jù)流集，其中，所述目標(biāo)網(wǎng)絡(luò)數(shù)據(jù)流集為通過多次訪問網(wǎng)絡(luò)應(yīng)用獲得，一種網(wǎng)絡(luò)應(yīng)用對應(yīng)一種圖模式；

提取所述目標(biāo)網(wǎng)絡(luò)數(shù)據(jù)流集對應(yīng)的訓(xùn)練流量特征，其中，所述訓(xùn)練流量特征包括圖的節(jié)點特征和圖的邊特征，所述邊特征包括目標(biāo)網(wǎng)絡(luò)數(shù)據(jù)流集中各網(wǎng)絡(luò)數(shù)據(jù)流之間的起始傳輸時間的時間間隔和遠(yuǎn)程目的IP所在目標(biāo)地址池之間的距離；

基于所述訓(xùn)練流量特征，構(gòu)建時空關(guān)聯(lián)圖；

基于所述時空關(guān)聯(lián)圖，對待訓(xùn)練圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，獲得所述網(wǎng)絡(luò)流量識別模型，其中，所述待訓(xùn)練圖神經(jīng)網(wǎng)絡(luò)模型包括若干個圖卷積層、圖池化層、讀出層和全連接層；

所述基于所述時空關(guān)聯(lián)圖，對待訓(xùn)練圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，獲得所述網(wǎng)絡(luò)流量識別模型的步驟包括：

獲取所述時空關(guān)聯(lián)圖的訓(xùn)練特征矩陣以及訓(xùn)練鄰接矩陣，其中，所述訓(xùn)練鄰接矩陣是由所述目標(biāo)網(wǎng)絡(luò)數(shù)據(jù)流集對應(yīng)的時間間隔和目標(biāo)地址池之間的距離獲得；

通過各所述圖卷積層對所述訓(xùn)練特征矩陣進(jìn)行卷積處理，得到各所述圖卷積層輸出的特征矩陣，并將各所述特征矩陣進(jìn)行拼接，得到目標(biāo)拼接特征矩陣；

通過所述圖池化層對所述目標(biāo)拼接特征矩陣和所述訓(xùn)練鄰接矩陣進(jìn)行池化處理，得到池化結(jié)果，其中，所述圖池化層為基于SAGPool池化機制的圖池化層；

通過所述讀出層對所述池化結(jié)果進(jìn)行全局池化處理，得到全局特征信息；

將所述全局特征信息輸入所述全連接層，輸出分類結(jié)果；

基于所述分類結(jié)果和所述時空關(guān)聯(lián)圖對應(yīng)的真實標(biāo)簽，調(diào)節(jié)所述待訓(xùn)練圖神經(jīng)網(wǎng)絡(luò)模型的模型參數(shù)，得到所述網(wǎng)絡(luò)流量識別模型。

2.如權(quán)利要求1所述的基于圖神經(jīng)網(wǎng)絡(luò)和流時空關(guān)聯(lián)的網(wǎng)絡(luò)流量識別方法，其特征在于，所述將所述網(wǎng)絡(luò)數(shù)據(jù)流時空關(guān)聯(lián)圖進(jìn)行圖分割處理，獲得各目標(biāo)子圖的步驟包括：

計算所述網(wǎng)絡(luò)數(shù)據(jù)流時空關(guān)聯(lián)圖對應(yīng)的正則化拉普拉斯矩陣；

對所述正則化拉普拉斯矩陣進(jìn)行特征分解，確定目標(biāo)特征向量；

基于所述目標(biāo)特征向量，構(gòu)建目標(biāo)特征矩陣；

基于所述目標(biāo)特征矩陣進(jìn)行聚類分析，得到各所述目標(biāo)子圖。

3.如權(quán)利要求1所述的基于圖神經(jīng)網(wǎng)絡(luò)和流時空關(guān)聯(lián)的網(wǎng)絡(luò)流量識別方法，其特征在于，所述基于各所述目標(biāo)子圖對應(yīng)的全局表征信息，確定各所述目標(biāo)子圖中待識別網(wǎng)絡(luò)數(shù)據(jù)流所屬的目標(biāo)應(yīng)用的步驟包括：

分別將各所述目標(biāo)子圖對應(yīng)的全局表征信息與預(yù)設(shè)各網(wǎng)絡(luò)應(yīng)用的圖模式進(jìn)行匹配，得到每一所述目標(biāo)子圖分別與預(yù)設(shè)各網(wǎng)絡(luò)應(yīng)用對應(yīng)的匹配結(jié)果；

針對每一所述目標(biāo)子圖，確定匹配結(jié)果大于預(yù)設(shè)相似度閾值對應(yīng)的網(wǎng)絡(luò)應(yīng)用，并將所述網(wǎng)絡(luò)應(yīng)用作為所述目標(biāo)子圖中待識別網(wǎng)絡(luò)數(shù)據(jù)流所屬的目標(biāo)應(yīng)用。