[发明专利]一种基于注意力机制的时空特征流量分类研究方法

权利要求书

1.一种基于注意力机制的时空特征流量分类研究方法，其特征在于，包括步骤：

S1:对数据集进行流量分割、流量清洗、图像生成、IDX转换四个步骤的预处理；

S2:将预处理后的数据集分为训练集和测试集，在所述训练集上对LSTM网络进行训练，提取出时序特性的特征；

S3:将经过时间特性特征提取后得到的数据集输入的SE-CNN网络进行空间特征提取，SE-CNN网络是由基于通道的注意力机制SE模块与CNN构成。

2.根据权利要求1所述的基于SE-CNN与时空特征的流量分类研究方法，其特征在于，所述数据集为非专家手工提取特征的原始公共数据集，ISCX VPN-nonVPN和USTC-TFC2016，来源于加拿大网络安全研究所，分别为12类和20类。

3.根据权利要求1所述的基于SE-CNN与时空特征的流量分类研究方法，其特征在于，训练LSTM和SE-CNN网络。

4.根据权利要求1-3任意一项所述的基于SE-CNN与时空特征的流量分类研究方法，其特征在于，步骤S3包括：

S301：步骤S2的输出作为S301的输入，SE-CNN模型的前3层卷积层分别包含了32个3*3、64个3*3和64个3*3的卷积核；

S302：S301的输出作为S302的输入，SE-CNN模型的第4层是步长为2的2*2最大池化层，第5层嵌入SE模块，SE模块具有全局池化、权重生成和权重再分配三个操作，这三个操作将每个通道的重要性经过权值的再分配，加强主要特征通道的比重，减少次要特征通道的比重；

S303：步骤302的输出作为步骤303的输入，SE-CNN模型的第6层至第8层分别包含了32个3*3、32个3*3和16个3*3的卷积核；

S304：步骤303的输出作为步骤304的输入，SE-CNN模型的第9层为2*2的最大池化层，步长为2，第10层嵌入SE模块，具体操作同步骤302的第5层SE模块，最后通过具有1024个神经元的第11层全连接层和具有12/20个(根据流量类别决定)神经元的第12层全连接层；

S305：步骤304的输出作为305的输入，SE-CNN模型的第13层Softmax层将输出整合成数值为(0,1)的12/20(根据流量类别决定)维的向量用于分类。