[发明专利]基于卷积神经网络的P2P流量的识别方法及相关装置

权利要求书

1.一种基于卷积神经网络的 P2P 流量的识别方法，其特征在于，包括：

获取流量数据；

将所述流量数据转化为图像数据，并将所述图像数据划分为训练集与测试集；所述将所述流量数据转化为图像数据，包括：对于字节流系列，以流量为单位，基于所述流量中各数据包的负载字节的数值得到第一数据矩阵；对于数据包序列，以流量为单位，基于所述流量中各数据包的负载字节的个数得到第二数据矩阵；其中，所述各数据包的负载字节的数值的取值范围为[0，255]；

基于所述训练集中的所述图像数据进行卷积神经网络训练与分类器训练；

利用训练完成的卷积神经网络提取所述测试集中的所述图像数据的深度特征并利用所述分类器基于所述深度特征识别 P2P 流量；

所述基于所述流量中各数据包的负载字节的数值得到第一数据矩阵，具体包括：以所述流量中各数据包的负载字节的数值作为矩阵元素得到所述第一数据矩阵；其中，所述第一数据矩阵的行数为所述数据包的个数，所述第一数据矩阵的列数为所述数据包中的负载字节的个数；或，所述第一数据矩阵的列数为所述数据包的个数，所述第一数据矩阵的行数为所述数据包中的负载字节的个数；

所述基于所述流量中各数据包的负载字节的个数得到第二数据矩阵，具体包括：选取当前流量中的预设数量个数据包，并以每个数据包的负载字节的个数作为矩阵元素得到第二数据矩阵。

2.根据权利要求 1 所述的识别方法，其特征在于，所述获取流量数据，包括：

通过 Wireshark 软件获取所述流量数据。

3.根据权利要求 2 所述的识别方法，其特征在于，所述卷积神经网络为卷积神经网络Inception V3。

4.根据权利要求 3 所述的识别方法，其特征在于，所述分类器为支持向量机。

5.一种基于卷积神经网络的 P2P 流量的识别装置，其特征在于，包括：

获取模块，用于获取流量数据；

转化模块，用于将所述流量数据转化为图像数据，并将所述图像数据划分为训练集与测试集；所述转化模块包括：第一转化单元，用于对于字节流序列，以流量为单位，基于所述流量中各数据包的负载字节的数值得到第一数据矩阵；第二转化单元，用于对于数据包序列，以流量为单位，基于所述流量中各数据包的负载字节的个数得到第二数据矩阵；其中，所述各数据包的负载字节的数值的取值范围为[0，255]；

训练模块，用于基于所述训练集中的所述图像数据进行卷积神经网络训练与分类器训练；

识别模块，用于利用训练完成的卷积神经网络提取所述测试集中的所述图像数据的深度特征并利用所述分类器基于所述深度特征识别 P2P 流量；

所述基于所述流量中各数据包的负载字节的数值得到第一数据矩阵，具体包括：以所述流量中各数据包的负载字节的数值作为矩阵元素得到所述第一数据矩阵；其中，所述第一数据矩阵的行数为所述数据包的个数，所述第一数据矩阵的列数为所述数据包中的负载字节的个数；或，所述第一数据矩阵的列数为所述数据包的个数，所述第一数据矩阵的行数为所述数据包中的负载字节的个数；

所述基于所述流量中各数据包的负载字节的个数得到第二数据矩阵，具体包括：选取当前流量中的预设数量个数据包，并以每个数据包的负载字节的个数作为矩阵元素得到第二数据矩阵。

6.根据权利要求 5 所述的识别装置，其特征在于，所述获取模块具体用于通过Wireshark 软件获取所述流量数据。

7.一种基于卷积神经网络的 P2P 流量的识别设备，其特征在于，包括：存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求 1 至 4 任一项所述的基于卷积神经网络的 P2P 流量的识别方法的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求 1 至 4 任一项所述的基于卷积神经网络的 P2P 流量的识别方法的步骤。