[发明专利]利用联邦学习训练卷积神经网络的业务类型识别方法

说明书

本发明公开一种利用联邦学习训练卷积神经网络的业务类型识别方法，其实现步骤为：(1)生成每个边缘服务器的训练集；(2)构建一个卷积神经网络；(3)对卷积神经网络利用联邦学习进行协同训练；(4)预测每个边缘服务器的业务类型。本发明采用联邦学习，在云服务器和边缘服务器中协同训练卷积神经网络，用于对每个边缘服务器抓取的网络流量进行业务类型的识别，保护了用户的隐私数据，扩大了每个边缘服务器的卷积神经网络可预测的业务类型的范围。

技术领域

本发明属于通信技术领域，更进一步涉及网络通信技术领域中的一种利用联邦学习训练卷积神经网络的业务类型识别方法。本发明可用于云服务器和边缘服务器协同工作的环境中，在保证用户隐私的前提下可以对较多的业务类型进行识别，为面向服务进行资源分配和定制化的划分网络切片等技术提供重要依据。

背景技术

第五代移动通信网络5G(the fifth generation)中新兴业务的出现，使得网络中的需求急剧增加。业务识别技术对于扩展网络功能，实现网络的精细化管控具有重要的意义。传统的业务识别在特征选择与获取过程中需要消耗研究者大量的时间和精力，并且特征获取的过程可能造成信息熵的损失，从而影响识别精度。而基于机器学习的业务识别在提取数据中的关键信息，构建数据集时需要将用户的私有数据直接收集到云服务器或者收集到边缘服务器后再上传到云服务器中，然后借助云服务器充足的计算资源训练模型。这不仅使得个人信息存在泄露的潜在风险，而且训练的模型只能预测云服务器中训练集具有的业务类型，可预测的业务类型较少。因此，在云服务器和边缘服务器中协同训练模型时需要对用户的隐私进行保护，同时也需要增加模型可以识别的业务种类，而联邦学习为此提供了便捷的条件和保障。

上海汉澄电子设备有限公司在其申请的专利文献“一种基于深度学习方法和DFI的VPN隧道流量识别方法”(申请号201910087208.4，申请公布号CN111490945A)中公开了一种面向VPN隧道流量的业务识别方法。该方法的具体步骤为：第一步，从数据包中识别应用程序与VPN客户端之间的连接标识信息；第二步，将所述识别信息与对应程序进行验证，验证通过则创建网络接口，验证不通过则断开应用程序与VPN客户端的连接；第三步，从数据包中获取网络流量协议，并基于该协议抽取并选择合适的数据包特征值，如提取数据包头信息和统计信息；第四步，构建卷积神经网络；第五步，流量识别模块获取流量的业务识别信息，并按照控制策略配制样本模块，并按照流量控制策略控制DFI识别单元对网络流量进行识别。该发明能够自动提取到有利于分类任务的特征，无需花费精力于协议特征抽取与选择。但是，该方法仍然存在的不足之处是：业务识别模型训练的过程中直接将数据包上传到云服务器或边缘服务器，数据包完全暴露在整个网络环境中，会泄漏用户隐私。

信阳农林学院在其申请的专利文献“一种基于深度学习的网络加密流量识别方法、装置及设备”(申请号202110439430.3，申请公布号CN 113132397 A)中公开一种基于深度学习的网络加密业务识别方法。该方法的步骤包括如下：第一步，对移动流量数据进行预处理操作，得到预处理数据；第二步，对所述预处理数据进行数据归一化处理，对数据归一化处理后的数据进行卷积操作，采用线性流函数作为激活函数对得到的卷积结果计算，并对得到的计算结果进行分类，得到分类结果。该发明能够对移动流量、以及加密的流量进行业务识别，处理速度快、分类结果精度高。但是，该方法仍然存在的不足之处是：训练好的模型只能预测单个服务器中训练集具有的业务类型，可预测的业务类型较少。

发明内容

本发明的目的在于针对上述已有技术的不足，提供一种利用联邦学习训练卷积神经网络的业务类型识别方法，用于解决现有业务类型识别方法中将训练集上传到云服务器或边缘服务器中对卷积神经网络进行训练，识别过程直接对网络中的数据包进行解析，存在数据包被泄漏的风险，可以识别的业务类型局限于训练模型时使用的训练集中业务的类型，能够识别的业务类型较少的问题。