[发明专利]一种基于小样本机器学习的匿名网络流量分类方法

说明书

本发明公开一种基于小样本机器学习的匿名网络流量分类方法，将采集的流量数据与待分类的数据通过深度神经网络映射到特征空间，原始标注数据用于深度分类模型预训练，少量新采集的标注数据用于在特征空间中计算流量数据特征的类别中心，以该类别中心作为待分类目标流量数据的聚类中心进行聚类，对待分类的目标流量数据赋予伪标签，通过优化原始标注流量数据的和目标伪标注数据的分类损失函数，完成原始标注数据的知识迁移，从而降低数据时效对模型的影响，消除因数据时效性带来的训练数据和待分类数据分布差异问题。本发明解决了由于匿名系统更新而导致原始采集的流量序列数据时效性降低，从而使得匿名网络流量分类算法性能下降的问题。

技术领域

本发明涉及网络安全技术，具体涉及一种基于小样本机器学习的匿名网络流量分类方法。

背景技术

随着互联网的发展，人们设计和开发了多种匿名通信系统，相应的攻击方法也出现了。网站指纹(Website Fingerprinting,WF)攻击方法可有效破坏Tor匿名网络的匿名性。在网站加载过程中，由于不同网站的加载项等内容，客户端与服务器间的流量序列存在不同的模式信息，这为攻击者破坏匿名性提供了便利。基于深度学习的匿名网络流量分类方法在性能上显著优于非深度匿名网络流量分类方法，深度匿名网络流量分类需要大量标注的数据作为训练集，当数据集发生变化，如Tor浏览器版本的更新导致的不同版本Tor流量数据，这些变化将导致匿名网络流量分类算法的性能下降。

当前在解决由于标注流量数据稀缺，导致匿名网络流量分类性能下降上有两个方法，TF(Triplet Fingerprinting)[1]和TLFA(Transfer Learning FingerprintingAttack)[2]，但TF方法存在计算量大的问题，TLFA方法只使用新采集的少量标注流量微调预训练的分类模型，导致模型分类性能提升不足。

因此，在匿名网络流量分类中由于数据集变动带来的标注数据稀缺对算法的实际性能和部署应用带来了很大的挑战。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于小样本机器学习的匿名网络流量分类方法，

在匿名网络流量分类中由于数据集变动带来的数据集时效性问题对算法的实际部署应用带来了很大的挑战。为解决上述挑战，本文基于聚类假设：在聚类中属于相同簇的样本属于相同的类别，提出基于聚类分析的匿名网络流量分类算法，将原始采集的流量数据、新采集的少量标注数据与待分类的数据通过深度神经网络映射到特征空间，在特征空间中计算出新采集的标注数据的类别中心，以类别中心为待分类目标流量数据的聚类中心进行聚类，对目标流量数据赋予伪标签，通过优化原始标注流量数据和目标伪标注数据的分类损失函数，从而完成原始标注数据的知识迁移，降低数据时效对模型的影响。

技术方案：本发明的一种基于小样本机器学习的匿名网络流量分类方法，包括以下步骤：

步骤(1)、收集网络流量，得到原始流量序列X_s、新采集的少量标注流量X′_s以及待分类流量序列X_t；

其中，原始流量序列X_s的数据均带有标注：n是指原始流量序列数据的个数，和分别表示流量序列的记录和对应标注；新采集的少量标注流量表示为：待分类流量序列表示为：N，m分别为新采集的少量标注样本的数据和待分类的数据样本数目；

步骤(2)、构建分类模型

将特征提取器G与任务分类器C拼接构成分类模型，其中特征提取器G采用深度卷积网络，任务分类器C包括两层全连接的神经网络；

步骤(3)、预训练分类模型

将带标注的原始流量序列X_s的数据输入到上述深度模型(分类模型)中，基于得到的原始流量数据类别预测概率和真实标签计算分类损失函数，对上步构建的深度分类模型进行预训练；