[发明专利]一种基于层次化时空特征学习的网络流量分类方法及装置

说明书

本发明实施例提供一种基于层次化时空特征学习的网络流量分类方法及装置，所述方法包括：通过第一神经网络获取网络流量数据的空间特征；通过第二神经网络获取所述网络流量数据的时序特征；根据所述空间特征和所述时序特征对所述网络流量进行分类。可得到比较全面准确的流量特征信息，能够有效提高网络流量分类能力；使用更好的流量特征集可以有效地降低误警率。

技术领域

本发明实施例涉及数据处理，尤其涉及一种基于层次化时空特征学习的网络流量分类方法及装置。

背景技术

网络流量分类是指按照具体业务需求将网络流量归类至某目标类别，是网络管理和网络安全领域的一项基本任务。例如，在网络管理领域，可以将流量分类为不同的优先级，以实现更好的服务质量控制；在网络安全领域，可以将流量分为正常流量和恶意流量，以实现网络异常检测并采取防护措施。

目前主流的流量分类方法包括：基于端口的方法、基于深层包检测的方法、基于统计的方法、基于行为的方法。由于随机端口和伪装端口技术的大量应用，通过端口分类的方法准确率偏低。基于深层包检测的方法无法解密流量内容，在分类任务中遇到很大障碍。目前研究较多的是基于统计的方法和基于行为的方法，它们属于传统的机器学习分类方法，特点是需手工设计流量特征。这种方法的分类效果非常依赖于流量特征集的设计，使用不同特征集的分类效果往往差别很大，因此，如何设计一种能够准确刻画流量行为的特征集的方法成为亟需解决的问题。

发明内容

本发明实施例提供了一种基于层次化时空特征学习的网络流量分类方法及装置，以解决准确刻画流量行为的特征集的问题。

第一方面，本发明实施例提供了一种基于层次化时空特征学习的网络流量分类方法，包括：

通过第一神经网络获取网络流量数据的空间特征；

通过第二神经网络获取所述网络流量数据的时序特征；

根据所述空间特征和所述时序特征对所述网络流量进行分类。

在一可能实施方式中，将网络流量数据转换为二维图像格式的数据。

在一可能实施方式中，将所述网络流量数据进行流量切分得到多个流量数据单元；统一每个网络流量数据中的所述流量数据单元的数量以及统一每个所述流量数据单元的长度；将经数量和长度统一处理后流量数据单元进行流量编码得到二维图像格式的数据。

在一可能实施方式中，采用第一神经网络学习所述二维图像格式的数据，得到与所述流量数据单元对应的数据包向量以及与所述网络流量数据对应的数据包向量序列；其中，所述第一神经网络包括：卷积神经网络。

在一可能实施方式中，采用第二神经网络在所述空间特征的基础上学习所述网络流量数据的时序特征，得到与所述网络流量数据对应的网络流向量；其中，所述第二神经网络包括：循环神经网络。

第二方面，本发明实施例提供一种基于层次化时空特征学习的网络流量分类装置，包括：

第一获取模块，用于通过第一神经网络获取网络流量数据的空间特征；

第二获取模块，用于通过第二神经网络获取所述网络流量数据的时序特征；

分类模块，用于根据所述空间特征和所述时序特征对所述网络流量进行分类。

在一可能实施方式中，转换模块，用于将网络流量数据转换为二维图像格式的数据。

在一可能实施方式中，所述转换模块，用于将所述网络流量数据进行流量切分得到多个流量数据单元；统一每个网络流量数据中的所述流量数据单元的数量以及统一每个所述流量数据单元的长度；将经数量和长度统一处理后流量数据单元进行流量编码得到二维图像格式的数据。