[发明专利]一种基于知识蒸馏与自蒸馏的通信网络加密流量分类方法

权利要求书

1.一种基于知识蒸馏与自蒸馏的通信网络加密流量分类方法，其特征在于，包括如下步骤：

S10，获取通信网络中的加密流量；

S20，构建并训练流量分类的基本模型；

S30，压缩训练好的基本模型，获取流量分类压缩模型；

S40，采用教师网络更新策略的知识蒸馏方式训练流量分类压缩模型；

S50，利用训练好的流量分类压缩模型进行通信网络加密流量分类。

2.根据权利要求1所述的基于知识蒸馏与自蒸馏的通信网络加密流量分类方法，其特征在于，步骤S10包括如下子步骤：

S11，通过捕获工具CapAnalysis或爬虫工具获取通信网络中的加密流量；

S12，对获取的通信网络中的加密流量进行类别标记；

S13，对每一类别的加密流量进行截断或补零处理，使得处理后的加密流量总长度为L字节；包括L₁字节的TCP数据，L₂字节的UDP数据以及L₃字节的有效载荷数据；其中，L，L₁，L₂，L₃均为正整数且L＝L₁+L₂+L₃；

S14，对加密流量的每一个字节进行归一化，即对每一字节除以255使每一字节的取值范围为[0，1]；

S15，完成归一化后获得加密流量数据库，将加密流量数据库按照训练集p₁％、测试集p₂％、验证集p₃％的比例进行划分，其中，p₁％+p₂％+p₃％＝100％。

3.根据权利要求2所述的基于知识蒸馏与自蒸馏的通信网络加密流量分类方法，其特征在于，步骤S20包括如下子步骤：

S21，构建流量分类的基本模型：

(1)记用于通信网络加密流量分类的基本模型为M，该基本模型M包括N个浅层部分，分别记作M₁，M₂，...，M_N；每一个浅层部分均包括卷积层和batchnorm层；在每一个浅层部分最后的卷积层后面额外添加子模块，将N个浅层部分后的N个子模块分别记作M₁′，M₂′，...，M_N′；每个子模块包含一个具有V_g个卷积核的卷积层以及一个softmax层；该softmax层的作用是使用softmax函数将输入到该softmax层的未归一化的每一类别对应的概率值映射为归一化的概率值；

(2)对于一个浅层部分M_i而言，其输入为特征图X_i，经过其对应的子模块的卷积层以后的输出为特征图F_i，经过其子模块对应的softmax层(T＞1)以后输出软概率向量经过其子模块对应的softmax层(T＝1)以后输出硬概率向量

S22，训练流量分类的基本模型：

(3)将训练集中的每一条加密流量，输入到基本模型中，采用所述损失函数进行训练，将损失函数的值对基本模型进行反向更新直到基本模型收敛后结束训练；

(4)训练结束以后，使用测试集对基本模型进行测试，以验证其泛化能力，对基本模型的结构以及训练得到的参数值进行保存，得到训练好的基本模型为E₀。

4.根据权利要求3所述的基于知识蒸馏与自蒸馏的通信网络加密流量分类方法，其特征在于，所述softmax层中的softmax函数的表达式如下：

其中，a＝1，2，...，C，b＝1，2，...，C，C表示加密流量的类别总数；p∈[0，1]是一个概率值；T∈R表示温度值；z_a和z_b表示输入到softmax层中的未归一化的每一类别对应的几率，当T＝1时，对应的输出称为硬概率；当T＞1时，对应的输出称为软概率。