[发明专利]一种基于图注意力池化网络的细粒度加密网站指纹分类方法和装置

权利要求书

1.一种基于图注意力池化网络的细粒度加密网站指纹分类方法，其特征在于，包括以下步骤：

建立用于描述网络流量模式的流量踪迹图，流量踪迹图中的节点表示网络流，边表示网络流的上下文关系；

利用图神经网络模型自动学习流量踪迹图中的流内特征和流间特征，得到流量踪迹图的有效嵌入表示；

利用流量踪迹图的有效嵌入表示进行网站指纹分类。

2.根据权利要求1所述的方法，其特征在于，所述流量踪迹图中，对于同一客户端产生的两条流，根据两条流的起始时间间隔是否小于经验阈值决定两节点是否有边。

3.根据权利要求1所述的方法，其特征在于，所述利用图神经网络模型自动学习流量踪迹图中的流内特征和流间特征，得到流量踪迹图的有效嵌入表示，包括：

采用多头图注意力层学习节点的注意力权重，使得模型更加关注流量踪迹图中的重要节点，并减少类间相似节点和噪声节点的负面影响；

采用自注意力池化层进一步筛选重要节点，同时减少模型参数量。

4.根据权利要求3所述的方法，其特征在于，所述多头图注意力层中，流量踪迹图首先经过单层全连接网络提取浅层抽象表示，然后经过K头图注意力网络学习节点注意力权重，得到K种节点表示，再将K种节点表示累加并送入自注意力池化层。

5.根据权利要求3所述的方法，其特征在于，所述自注意力池化层采用图卷积网络计算各节点重要性并保留topK节点，以进一步筛选重要节点，同时减少模型参数量。

6.根据权利要求5所述的方法，其特征在于，对topK节点图进行全局最大池化和全局平均池化操作，并将两种池化结果拼接得到图的全局嵌入表示，并作为一个卷积块的输出，最后将两个卷积块输出的结果进行拼接得到最终有效嵌入。

7.根据权利要求1所述的方法，其特征在于，所述利用流量踪迹图的有效嵌入表示进行网站指纹分类，包括：使用单层全连接网络结合Log Softmax函数作为分类器，得到网页分类结果，其中利用Dropout防止训练过拟合，采用NLLLoss作为损失函数。

8.一种基于图注意力池化网络的细粒度加密网站指纹分类装置，其特征在于，包括：

构图模块，用于建立用于描述网络流量模式的流量踪迹图，流量踪迹图中的节点表示网络流，边表示网络流的上下文关系；

图注意力层次池化模块，用于利用图神经网络模型自动学习流量踪迹图中的流内特征和流间特征，得到流量踪迹图的有效嵌入表示；

输出模块，用于利用流量踪迹图的有效嵌入表示进行网站指纹分类。

9.一种电子装置，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1～7中任一权利要求所述方法的指令。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，所述计算机程序被计算机执行时，实现权利要求1～7中任一权利要求所述的方法。