[发明专利]基于去中心化应用加密流量特征的多场景分类方法及系统

权利要求书

1.一种基于去中心化应用加密流量特征的多场景分类方法，其步骤包括：

1)收集去中心化应用的加密流量，并对各加密流量标记应用、用户行为和通用用户行为的分类标签；

2)根据分类目标和分类标签，将提取的加密流量的应用特征、用户行为特征和通用用户行为特征，分别输入应用分类模型、用户行为分类模型和通用用户行为分类模型，得到相应的分类；其中，所述应用特征包括：时间序列和包长分布；所述用户行为特征包括：去中心化应用特征、行为敏感特征和优化特征；所述通用用户行为特征包括：去中心化应用特征、通用行为敏感特征、统计特征和序列特征；所述去中心化应用特征包括：时间序列和包长分布；所述行为敏感特征包括：字节分布、包到达总时间、包到达平均时间；所述优化特征包括：优化后的包到达间隔序列；所述通用行为敏感特征包括：字节分布；所述统计特征包括：上下行包数、第一个包到达时间、包到达间隔序列、字节速率变化和包速率；所述序列特征包括：上行时间序列和下行时间序列；通过以下步骤得到应用分类模型、用户行为分类模型和通用用户行为分类模型：

a)收集已知去中心化应用、已知用户行为分类和已知通用用户行为分类的样本加密流量，并对各样本加密流量标记应用、用户行为和通用用户行为的分类标签；

b)针对不同的分类标签，提取样本加密流量的样本应用特征、样本用户行为特征和样本通用用户行为特征；

c)对样本应用特征、样本用户行为特征和样本通用用户行为特征，分别进行机器学习分类器训练，得到应用分类模型、用户行为分类模型和通用用户行为分类模型。

2.如权利要求1所述的方法，其特征在于，提取加密流量的应用特征、用户行为特征和通用用户行为特征之前，对加密流量进行预处理；所述预处理包括：过滤没有Client Hello包或无SNI字段的加密流量、过滤各加密流量中的ACK包和重传数据包。

3.如权利要求1所述的方法，其特征在于，将提取的加密流量的应用特征、用户行为特征和通用用户行为特征分别输入应用分类模型、用户行为分类模型和通用用户行为分类模型之前，对应用特征、用户行为特征和通用用户行为特征进行预处理；所述预处理包括：去除全零列和归一化。

4.如权利要求1所述的方法，其特征在于，所述已知去中心化应用包括：市场类、社交类、财产类、交易类和媒体类；所述市场类包括：Superrare、Thomas Crown Art和Knownorigin；所述社交类包括：Editional、Cryptoboiler、Ethlance和Crowdholding；所述财产类包括：John Orion Young和Staybit；所述交易类包括：Latium；所述媒体类包括：Viewly；所述已知用户行为分类包括：评论、关注、点赞、搜索、加入购物车、租用、发表问题、提交求职申请、提交招聘申请、看视频、上传视频、查看用户详细信息、查看物品详细信息、浏览商店和浏览活动；所述已知通用用户行为分类包括：打开去中心化应用、浏览市场、查看详细信息、关注、点赞、提交申请表、搜索、查看用户首页、查看去中心化应用中活动、加入购物车、看视频、评论、查看去中心化应用介绍、刷新购物车和其他行为。

5.如权利要求1所述的方法，其特征在于，所述机器学习分类器包括：决策树模型、梯度提升决策树模型或随机森林模型。

6.如权利要求5所述的方法，其特征在于，根据分类的准确率和召回率，选择决策树模型、梯度提升决策树模型或随机森林模型。

7.如权利要求6所述的方法，其特征在于，得到分类的准确率和召回率的方法包括：十折交叉验证方法。

8.一种基于去中心化应用加密流量特征的多场景分类系统，包括：

1)去中心化应用流量收集模块，用以收集加密的去中心化应用流量，并对各加密流量标记应用、用户行为和通用用户行为的分类标签；

2)多场景下加密流量特征提取模块，用以根据分类目标和分类标签，提取加密流量的应用特征、用户行为特征和通用用户行为特征；

3)多场景下加密流量分类模块，用以将提取的加密流量的应用特征、用户行为特征和通用用户行为特征，分别输入应用分类模型、用户行为分类模型和通用用户行为分类模型，得到相应的分类；其中，所述应用特征包括：时间序列和包长分布；所述用户行为特征包括：去中心化应用特征、行为敏感特征和优化特征；所述通用用户行为特征包括：去中心化应用特征、通用行为敏感特征、统计特征和序列特征；所述去中心化应用特征包括：时间序列和包长分布；所述行为敏感特征包括：字节分布、包到达总时间、包到达平均时间；所述优化特征包括：优化后的包到达间隔序列；所述通用行为敏感特征包括：字节分布；所述统计特征包括：上下行包数、第一个包到达时间、包到达间隔序列、字节速率变化和包速率；所述序列特征包括：上行时间序列和下行时间序列；

通过以下步骤得到应用分类模型、用户行为分类模型和通用用户行为分类模型：

a)收集已知去中心化应用、已知用户行为分类和已知通用用户行为分类的样本加密流量，并对各样本加密流量标记应用、用户行为和通用用户行为的分类标签；

b)针对不同的分类标签，提取样本加密流量的样本应用特征、样本用户行为特征和样本通用用户行为特征；

c)对样本应用特征、样本用户行为特征和样本通用用户行为特征，分别进行机器学习分类器训练，得到应用分类模型、用户行为分类模型和通用用户行为分类模型。