[发明专利]一种基于人工智能的网络流量检测装置

说明书

本发明公开了一种基于人工智能的网络流量检测装置，属于网络空间安全和计算机深度学习领域。本发明装置先通过特征提取模块中的卷积神经网络提取空间特征、循环神经网络提序列特征，然后通过特征融合模块对提取的空间特征和序列特征进行融合得到新的特征集输出至分类器模块完成网络流量分类。相较于传统基于机器学习的网络流量分类，本发明新特征集中包含有更多的网络流量特征，且融合得到新特征集的过程中通过注意力机制的使用，对各项特征进行了合理分配，有效提升了分类准确率。

技术领域

本发明涉及网络空间安全和计算机深度学习领域，尤其涉及一种基于人工智能的网络流量检测装置。

背景技术

作为实现众多网络服务的基本任务，网络流量分类一直是学术领域和工程领域研究的重点。基于网络流量检测的应用主要包括以下几个方面：一是通过分析网络内部用户网络访问情况，建设合适的网络互联方式和互联地点，节约互联链路费用；二是对网络流量的监控，可以分析主要流量的去向，搜集并投放用户感兴趣的网络信息，减轻互联链路的压力；三是通过网络流量监控，可以了解网络占用带宽情况，并进行网络带宽的成本分析，优化服务与运营成本关系；四是有助于网管人员了解网络的流量模型，帮助网管人员正确分析网络当前环境，可及时对网络进行预警并发布防范措施，提升网络的整体质量及效能；五是通过对网络内流量的实时分析，有助于及时发现网络中出现的异常流量，迅速分析出异常流量的具体属性并采取相应应急措施处理；六是通过流量分析，可以为多出口的流量负载均衡、重要链路的带宽设置、路由选择和设定QoS等网络优化措施提供数据依据。

到目前为止，网络流量分类技术主要分为基于端口、基于深度包、基于机器学习等类别。基于端口是根据数据包包头中的端口号来区分不同的网络应用类型，该方法实现简单且分类速度快，但随着协议多样化、端口跳变技术及隐藏技术的发展，该方法准确率低。基于深度包是应用所产生的数据包表现出来的特征进行识别，该方法需要人力物力去设计和维护指纹库，很难应用于大数据时代的流量，面对加密流量时，难以实现且计算开销很高。基于机器学习主要依据流量的一些外部统计特征，如包间时间、总包数、流量长度、流量持续时间等，通过机器学习算法实现分类。

传统基于机器学习的网络流量分类方法，分类性能很大程度上依赖于基于包特征或者基于流特征的设计。这些传统分类方法一方面需要大量带有真实标签的训练样本，但获取大量真实标签需要耗费大量人力及物力；另一方面，分类过程中采用单一模型所提取的特征不能反映网络流的全部特征，影响分类准确性。

发明内容

本发明的目的在于:提供一种基于人工智能的网络流量检测装置，以克服传统基于机器学习的网络流量分类中存在的问题：将卷积层和全局池化层提取的网络流量的空间特征、循环神经网络提取的网路流量的序列特征都输入到特征融合模块中，由特征融合模块得到网络流量综合特征集，并将其应用于分类任务中，从而提升网络流量分类结果准确率。

为实现上述目的，本发明采用如下技术方案：

一种基于人工智能的网络流量检测装置，包括数据采集模块、数据预处理模块、特征提取模块、特征融合模块和分类器模块；

所述数据采集模块连接数据预处理模块；用于抓取经过网卡的协议包，并将抓取到的协议包按照数据包切分方式进行切分，以形成单个网络数据文件提供给数据预处理模块；

所述数据预处理模块连接特征提取模块；用于读取数据采集模块提供的的网络数据文件,并根据读取结果生成灰度图和字节流输出至特征提取模块；