[发明专利]基于深度学习的I2P流量识别方法及系统

权利要求书

1.一种基于深度学习的I2P流量识别方法，其特征在于，包括：

步骤1、获取已标记I2P流量类别标签的流量文件作为训练数据，提取该训练数据中数据包的报文字段，得到五元组信息，该五元组信息由该数据包的源IP地址、目的IP地址、源数据端口、目的数据端口及载荷长度组成；

步骤2、判断该数据包中运输层的协议类型是否为TCP协议，若是，则按TCP流对数据包的载荷长度进行聚合，否则按由源IP地址、源数据端口、目的IP地址和目的数据端口组成的四元组对数据包的载荷长度进行聚合；

步骤3、将聚合结果进行灰度图像编码，得到灰度图像并输入至包括卷积神经网络和二分类网络的I2P流量识别模型，得到训练数据的流量识别结果，根据已标记的该I2P流量类别标签和该流量识别结果计算该I2P流量识别模型的损失函数，若损失函数结果高于设定阈值，则进行反向传播更新该I2P流量识别模型内参数，再次执行步骤3，直到损失函数结果低于该设定阈值，保存当前I2P流量识别模型作为最终识别模型；

步骤4、将待识别的流量文件输入该最终识别模型，得到I2P流量识别结果。

2.如权利要求1所述的基于深度学习的I2P流量识别方法，其特征在于，该步骤4包括利用网络抓包工具对网卡进行流量抓包，得到该待识别的流量文件。

3.如权利要求1所述的基于深度学习的I2P流量识别方法，其特征在于，该流量文件为pcap格式。

4.如权利要求1所述的基于深度学习的I2P流量识别方法，其特征在于，该损失函数为二分类交叉熵损失函数。

5.如权利要求1所述的基于深度学习的I2P流量识别方法，其特征在于，该步骤3中灰度图像具体为：

该灰度图像的前8字节为运输层协议标志，之后的12字节为源IP地址、源数据端口、目的IP地址和目的数据端口，再之后的4字节为该载荷长度，再之后的1000字节为数据流中的前500个报文段的长度信息。

6.一种基于深度学习的I2P流量识别系统，其特征在于，包括：

模块1，用于获取已标记I2P流量类别标签的流量文件作为训练数据，提取该训练数据中数据包的报文字段，得到五元组信息，该五元组信息由该数据包的源IP地址、目的IP地址、源数据端口、目的数据端口及载荷长度组成；

模块2，用于判断该数据包中运输层的协议类型是否为TCP协议，若是，则按TCP流对数据包的载荷长度进行聚合，否则按由源IP地址、源数据端口、目的IP地址和目的数据端口组成的四元组对数据包的载荷长度进行聚合；

模块3，用于将聚合结果进行灰度图像编码，得到灰度图像并输入至包括卷积神经网络和二分类网络的I2P流量识别模型，得到训练数据的流量识别结果，根据已标记的该I2P流量类别标签和该流量识别结果计算该I2P流量识别模型的损失函数，若损失函数结果高于设定阈值，则进行反向传播更新该I2P流量识别模型内参数，再次执行模块3，直到损失函数结果低于该设定阈值，保存当前I2P流量识别模型作为最终识别模型；

模块4，用于将待识别的流量文件输入该最终识别模型，得到I2P流量识别结果。

7.如权利要求1所述的基于深度学习的I2P流量识别系统，其特征在于，该模块4包括利用网络抓包工具对网卡进行流量抓包，得到该待识别的流量文件。

8.如权利要求1所述的基于深度学习的I2P流量识别系统，其特征在于，该流量文件为pcap格式。

9.如权利要求1所述的基于深度学习的I2P流量识别系统，其特征在于，该损失函数为二分类交叉熵损失函数。

10.如权利要求1所述的基于深度学习的I2P流量识别系统，其特征在于，该模块3中灰度图像具体为：

该灰度图像的前8字节为运输层协议标志，之后的12字节为源IP地址、源数据端口、目的IP地址和目的数据端口，再之后的4字节为该载荷长度，再之后的1000字节为数据流中的前500个报文段的长度信息。