[发明专利]一种对网络流量识别分类的方法

权利要求书

1.一种对网络流量识别分类的方法，其特征在于，包括如下步骤：

步骤1，利用改进的稀疏自编码神经网络对训练样本进行学习，得到具有区分性的样本会话特征向量；

步骤2，在步骤1的基础上采用改进的Kmeans聚类算法训练，得到最终的分类模型；

步骤3，利用分类模型对网络流量进行分类；

步骤1包括：

步骤1-1，集多媒体流量数据，保存为Pcap文件，包括图片、音频、视频：对于所有图片的Pcap文件，以五元组为单位将图片流量拆分成单个会话保存，按照特征项计算特征点，所有特征点形成会话特征向量，按照上述方法对音频、视频执行同样操作，从而形成训练样本集，数学符号表示为：X＝(x₁,...,x_N)∈R^D*N，D为单个样本的特征维度，N为样本个数，x_N表示第N个样本，X是训练样本集合，R^D*N是指D*N的向量空间；

步骤1-2，将会话特征向量输入到稀疏自编码神经网络中进行训练，过程如下：

对于样本x_i，iN，第一层隐藏层编码为：

z＝s(Wx_i+b) (1)

W是隐藏层的权重，b隐藏层偏置；

第二层输出层为重构的数据：

x'_i＝g(W′z+b′) (2)

W′是输出层的权重，b′是输出层偏置，x_i'是第二层输出层的输出；

其中s采用激活函数为Sigmoid函数，g采用激活函数为Relu函数：

g(y)＝max(0,y) (4)

其中，y为对应各层的输出，z表示自编码器中隐藏层单元；

给定一组样本x_i∈[0,1]^D,1≤i≤N，其重构错误L为：

其中λ为正则化项系数，

稀疏自编码神经网络采用的代价函数J_loss为：

其中β是惩罚因子权重；p是稀疏参数；M是隐藏层神经元个数；表示隐藏层第j个神经元的平均活跃度；KL代表是K-L距离算法，K-L距离算法是衡量两个相同事件空间里的两个概率分布差异情况，即代表是p到的K-L距离；

通过BP反向传播算法进行学习训练样本集中的所有样本使代价函数J_loss损失最小，此时输出层的特征作为新特征输出；

步骤1-2中，

其中表示隐藏层第j个神经元的平均活跃度，z_j(x_i)表示第i个样本在隐藏层第j个神经元输出值；

步骤2包括：将步骤1-2得到的新特征进行Kmeans聚类算法模型学习，得到最终的分类模型；

所述Kmeans聚类算法模型如下：

其中是第i类样本的均值向量，x是每个会话的特征向量，k为簇数，C_i是第i类样本集合，n_i是第i类样本个数；

所述将步骤1-2得到的新特征通过Kmeans聚类算法模型学习，具体包括如下步骤：

步骤2-1，随机确定k个初始化点作为起始质心；

步骤2-2，将训练样本集中的每一个样本点分配到距离其最近的质心所对应簇，如果距离大于阈值，则删除所述样本点；

步骤2-3，每个簇的质心更新为所述簇的所有点的平均值；

步骤2-4，循环执行步骤2-1～步骤2-3，直到所有簇的质心点收敛，迭代结束；

步骤2-5，输出每个簇的质心点；

步骤2-6，通过Kmeans聚类算法模型学习后，聚成4簇，分别为视频、音频、图片，其他，从而得到最终的分类模型；

步骤3包括：对于待分类的会话流x_unknown，通过最近邻分类器识别出所述会话流的标签：

其中c_i为样本标签，u_i为最终的分类模型。