[发明专利]基于深度学习模型的加密流量识别分类的方法

权利要求书

1.一种基于深度学习模型的加密流量识别分类的方法，其特征是包括以下步骤：

步骤一：对原始流量数据进行预处理来获得用于作为网络加密流量分类模型输入的加密流量数据向量；

步骤二：构建基于残差网络ResNet和时域卷积网络TCN的网络加密流量分类模型；

步骤三：通过ResNet模型提取加密流量数据的空间特征；通过TCN模型提取加密流量数据的时间特征；

所述步骤二中，构建ResNet-TCN框架，并进行学习和训练；

ResNet-TCN框架包括残差网络ResNet和时域卷积网络TCN，其中：

1)残差网络ResNet的网络结构是按照数据传输方向，包括输入层、卷积层、多个残差块、池化层和全连接层；每个残差块是由两个3*3的卷积网络串接在一起构成；多个残差块堆叠；

输入的加密流量数据通过多次卷积后输出；在输出层中，输出与输入相加；最终提取得到加密流量数据的空间特征；

2)时域卷积网络TCN的网络结构是由第一层的膨胀因果卷积、权重归一化、激活函数ReLU和Dropout，以及第二层的膨胀因果卷积、权重归一化、激活函数ReLU和Dropout构成；第一层的输出为第二层的输入；每一层中，按照数据传输方向依次是膨胀因果卷积、权重归一化、激活函数ReLU和Dropout；

4)经过ResNet处理的数据作为输入，送入TCN中提取时序特征；

TCN与ResNet最后一层的输出拼接后，利用全连接分类对得到的特征进行分类，由softmax函数输出预测结果。

2.根据权利要求1所述的基于深度学习模型的加密流量识别分类的方法，其特征是所述步骤一的数据预处理步骤包括：

步骤1.1、将数据集中的数据导入，用于对数据进行处理；样本数据集为原始格式的网络加密流量数据的数据集；

步骤1.2、对数据集中的原始的流量数据进行切分；

步骤1.3、切分后的数据进行数据清洗；

步骤1.4、对数据进行归一化处理；

对数据进行重新构造，将处理过的流量文件按照固定字节统一大小，若大于所设置的固定字节，则删除之后的字节，若小于固定字节，则用00补充到固定字节；归一化是对数据进行变换，将特征值按比例缩放到特定的区间内最后得到csv文件。

3.根据权利要求1所述的基于深度学习模型的加密流量识别分类的方法，其特征是残差网络ResNet中，相邻残差块使用shortcut的连接方式，shortcut上通过1*1的卷积核进行了维度处理，主分支与shortcut的输出特征矩阵shape相同后输出矩阵相同进行相加。

4.根据权利要求1所述的基于深度学习模型的加密流量识别分类的方法，其特征是ResNet网络的最后一层的输出经一个1*1的卷积块处理后，再与TCN的输出拼接后，作为网络加密流量分类模型输出。

5.根据权利要求1所述的基于深度学习模型的加密流量识别分类的方法，其特征是所述步骤二中，将样本数据作为网络加密流量分类模型的输入，通过模型的训练和测试过程，验证模型的分类效果。

6.根据权利要求5或6所述的基于深度学习模型的加密流量识别分类的方法，其特征是所述步骤二中：

首先、将步骤1.4处理过后的数据独立存储为csv文件；

接着、将数据集按照7：2：1的比例划分训练集，验证集及测试集；验证集用于调整超参数，模型是否发生了过拟合的现象来决定是否要停止训练；

然后、将步骤一处理过的数据送入到ResNet中提取空间特征，将经过ResNet处理过的数据作为输入，送入TCN中提取时序特征；

最后、在训练集上训练模型，并根据验证集上效果调整超参数，模型训练结束后在测试集评价模型最终效果。

7.根据权利要求1所述的基于深度学习模型的加密流量识别分类的方法，其特征是网络加密流量分类模型的训练中，采用交叉损失函数来判定实际输出与期望输出的接近程度；训练期间采用Adam优化器；

网络加密流量分类模型的学习期间，采用等间隔调整学习率StepLR。