[发明专利]一种基于协作学习的网络异常流量识别与分类方法

权利要求书

1.一种基于协作学习的网络异常流量识别与分类方法，其特征在于：所述方法包括如下步骤：

步骤1：各个参与方对已抓取的DDoS攻击流量数据进行预处理；

包括以下步骤：

(1-1)对原始数据流进行特征提取，得到数据包的特征；

(1-2)排除不利于模型泛化的属性特征，仅使用数据包流量特性来训练模型；

(1-3)将一定数量的时间相邻、攻击类型相同的数据包打包成组，成为神经网络的输入；

步骤2：协调服务器初始化模型的参数，并设定协作学习的超参数，包括协调方与参与方之间的通信轮次、每轮中参与方的训练次数；

步骤3：协调服务器组织各个参与方的训练，在每一通信轮次中，各参与方使用本地数据集训练一维卷积神经网络CNN模型，协调方负责聚合各参与方的模型并将聚合后的模型发送给各参与方以进行下一轮的训练，具体的协调方协调各参与方的训练过程包括如下步骤：

(3-1)协调方首先对一维卷积神经网络CNN模型进行初始化，初始化完成后将模型广播给各参与方；

(3-2)协调方随机的选取一定数量的参与方，每一个被选中的参与方使用终端的本地数据集训练一维卷积神经网络CNN模型，并将更新后的模型参数返回给协调方即协调服务器；

(3-3)协调方收到各个终端返回的模型参数后，将这些模型进行聚合；

(3-4)协调方计算此时聚合后的模型是否收敛，若收敛，则转到(3-5)，否则，协调方即协调服务器将模型发送至各参与方，转到(3-2)；

(3-5)协调方将已经收敛的模型广播至各参与终端，该模型用于DDoS流量的识别与分类，训练结束；

步骤4：在模型收敛后，协调方将最终的模型发送给各参与方，用于DDoS流量的识别与分类。

2.根据权利要求1所述一种基于协作学习的网络异常流量识别与分类方法，其特征在于：协作学习在结构上包括协调服务器以及参与终端。

3.根据权利要求2所述一种基于协作学习的网络异常流量识别与分类方法，其特征在于：所述协调服务器云主机，搭载Linux系统或Microsoft Windows系统，负责协调各个终端的模型训练。

4.根据权利要求2所述一种基于协作学习的网络异常流量识别与分类方法，其特征在于：所述参与终端为PC主机、手机或Pad，处理本地的数据集，并将数据用于本地模型的训练，每一轮训练完成后需要将模型参数发送给协调服务器。