[发明专利]一种基于特征数据和深度学习的网络流量识别方法及系统

权利要求书

1.一种基于特征数据和深度学习的网络流量识别方法，其特征在于，包括如下步骤：

获取待识别网络流量数据；

对待识别网络流量数据进行预处理，得到特征数据；

根据特征数据和训练好的神经网络模型进行服务类型分类，得到网络流量的服务类型；所述训练好的神经网络模型包括两层，第一层用于判断网络流量数据是否为Tor或VPN网络流量数据，第二层用于对Tor或VPN数据的网络流量数据进行分类；

将网络流量的分类结果通过可视化界面展示。

2.如权利要求1所述的一种基于特征数据和深度学习的网络流量识别方法，其特征在于，所述预处理的过程包括数据清洗、数值化、归一化以及结构化。

3.如权利要求1所述的一种基于特征数据和深度学习的网络流量识别方法，其特征在于，所述第一层采用两层一维卷积神经网络，每一层的一维卷积神经网络添加图解通道注意力机制。

4.如权利要求1所述的一种基于特征数据和深度学习的网络流量识别方法，其特征在于，所述待识别网络流量数据包括训练数据集和测试集，所述训练数据在输入神经网络模型之前进行了筛选，所述训练数据集的筛选过程包括：将具有N个属性的结构化数据，一次删除一个特征项，生成一个集合，以此类推生成N-1个集合，将得到的每个集合进行重要性排序，得到前M个数据集作为训练数据集。

5.如权利要求1所述的一种基于特征数据和深度学习的网络流量识别方法，其特征在于，所述神经网络模型采用一位卷积神经网络和ECA注意力通道机制，具体的结构为：采用了两个一维卷积层，每个一维卷积层后面添加一个ECA层，所述ECA层采用k个相邻的邻接层，最后添加了一个扁平层、一个退出层和一个致密层。

6.如权利要求1所述的一种基于特征数据和深度学习的网络流量识别方法，其特征在于，所述将网络流量的分类结果通过可视化界面展示，包括如下步骤：

读取网络流量的分类结果，提取该分类结果的轮廓图；

导入轮廓图，根据预设的分类类别将该轮廓图进行区域划分，生成对应类别的区域子轮廓图；

将每个类别的区域子轮廓图分别进行面积、尺寸可视化处理，分别生成面积可视化区域子图；

对生成的各个面积可视化区域子图进行颜色填充隐藏，生成可视化图形子图；

将生成的各个可视化图形子图组合成可视化图形。

7.如权利要求1所述的基于特征数据和深度学习的网络流量识别方法，其特征在于，所述分类结果包括聊天、E-Mail、P2P、网络电话、浏览器、文件传输、视频流以及语音流。

8.一种基于特征数据和深度学习的网络流量识别系统，其特征在于，包括：

数据获取模块，被配置为：获取待识别网络流量数据；

数据预处理模块，被配置为：对待识别网络流量数据进行预处理，得到特征数据；

分类识别模块，被配置为：根据特征数据和训练好的神经网络模型进行服务类型分类，得到网络流量的服务类型；所述训练好的神经网络模型包括两层，第一层用于判断网络流量数据是否加密，第二层用于对未加密或已解密的网络流量数据进行分类；

预测模块，被配置为：将网络流量的分类结果通过可视化界面展示，对网络流量的未来发展形式进行预测。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于特征数据和深度学习的网络流量识别方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于特征数据和深度学习的网络流量识别方法中的步骤。