[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

说明书

一种基于注意力机制的时空特征流量分类研究方法，该方法从计算机视觉的角度提出了一种将LSTM和CNN结构相结合并应用于网络流量数据中的流量分类方法，实现免手工设计特征。使用LSTM对时间特征进行初步自学习提取与选择，并且采用CNN进一步自学习空间特征和原始输入与期望输出之间的映射关系，实现了空间特性与时间特性的融合。进一步的，将基于通道的注意力机制SE模块嵌入CNN中放大特征图中的关键特征通道，使深度神经网络挖掘出每一组网络流中最需要关注的区域。该方法能够有效地对多种类型的网络流分类，具有较高的实用价值。

技术领域

本发明涉及网络安全技术领域，一种基于注意力机制的时空特征流量分类研究方法。

背景技术

流量分类是根据需求将网络流量关联到特定类别的任务，是网络管理和网络安全中至关重要的一项任务。例如在资源使用计划中，通过识别不同网络应用的类型，正确合适的分配网络资源。对于恶意软件产生的入侵行为，流量分类能准确筛选出具有恶意行为的网络流量并给予网络管理员警示。最近，互联网的多数应用程序逐渐广泛使用加密流量传输信息，这导致流量分类成为一个难点。另一个难点是一些相同应用程序网络流具有明显差别以至于难以分为同类。

发明内容

针对现有技术的上述不足，本发明的目的在于提供一种运算速度快、准确率高的基于注意力机制的时空特征流量分类研究方法，通过使用LSTM对时间特征进行初步自学习提取与选择，采用CNN自学习空间特征并构建原始输入与期望输出之间的映射关系，实现了空间特性与时间特性的融合。进一步的，将基于通道的注意力机制SE模块嵌入CNN中放大特征图中的关键特征通道，使得深度神经网络学到每一组网络流中最需要关注的区域。

为实现上述目的，本发明采用以下技术方案：

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划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；

优选的，所述数据集为非专家手工提取特征的原始公共数据集，ISCXVPN-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。

优选的，训练LSTM和SE-CNN网络

优选的，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；