[发明专利]一种基于多通道卷积神经网络的高效网络流量识别方法

说明书

一种基于多通道卷积神经网络的高效网络流量识别方法，属于计算机网络和机器学习的交叉领域。首先对我们要识别的流量进行预处理操作，根据流量数据的结构信息对其进行划分，将数据划分成六个部分；其次，将六个部分字节长度跟阈值作比较，以多通道的形式送入网络；最后，通过预先用数据集训练好的卷积网络对流量进行识别。本发明的优势在于通过多通道的方式，有效的提高了计算效率，从而降低了识别时间，使得流量识别更加高效。本方法更适用于解决当前新应用层出不穷的互联网环境下的大型流量检测问题。

技术领域

本发明属于计算机网络和机器学习的交叉领域，涉及一种基于多通道卷积神经网络的高效网络流量识别方法。

背景技术

近年来，随着网络的普及和发展，许多新的网络协议和应用应运而生。特别是P2P应用的流行占用了大量的网络带宽，甚至引起网络拥塞，大大降低了网络性能。人们意识到有必要对网络中的流量进行监测和控制。无论是流量控制还是流量检测，高效网络流量识别方法都是最基本的前提。

目前广泛使用的流量识别方法主要有端口识别法、数据包深层扫描(DPI)法和基于流量行为特征识别技术。基于端口的方法很简单，因为许多众所周知的应用程序都有特定的端口号。然而并不是所有当前的应用程序都使用标准端口号，有些应用程序甚至使用其他应用程序的端口来伪装自己，避免了被该方法检测到。DPI是检查每个数据包的有效载荷。当有效载荷未加密时，这种技术可以是非常准确的。但是有些P2P的应用如BitTorrent使用纯文本密码、可变长度的包和一些加密手段来进行信息保护，从而无法实现检测与识别。

为了避免这两种方法存在的问题，人们越来越多开始研究使用机器学习的方法来实现流量检测。该方法是基于流量的特征进行识别，通过训练数据集建立一个用于流量分类的模型，从而利用模型对流量进行分类来达到检测的目的。但目前大多数的研究都是将识别内容整体直接作为输入，例如很多工作是对前N个数据包进行识别，还有一些工作是对数据包的前M个字节进行识别。这些方法通常是通过完善网络来降低识别时间，但是网络的性能优化是有限度的。据此本发明提出一种基于多通道卷积神经网络的高效网络流量识别方法。通过分析数据包不同字节所代表的含义将其进行划分，以多通道方式送入网络。所包含主要信息有源、目的端口、数据序号、确认序号、偏移、保留、窗口字段和包校验和等信息。根据信息将字节划分好，再通过CPU多线程调度，多通道同时送入网络，实现并行的卷积网络，最后进行整合得到识别结果。该方法可以有效的缩短识别时间，更好的对网络流量进行监测和控制。

综上，在当前新型应用不断涌现的互联网环境中，实现基于机器学习的网络流量识别，需要一种基于多通道卷积神经网络的高效网络流量识别方法作为支撑。

发明内容

为了克服上述不足，本发明提出了一种基于多通道卷积神经网络的高效网络流量识别方法。目的在于更好提高识别的速度。通过Pcap的结构，对数据包字节信息进行划分，实现多通道的并行操作，从而降低流量识别的延迟。本发明构建了一种基于多通道卷积神经网络的高效网络流量识别方法，通过有效的数据预处理方法，充分利用资源，在神经网络中实现高效的识别。

为了达到上述目的，本发明所采用的技术方案如下：

一种基于多通道卷积神经网络的高效网络流量识别方法，步骤如下：

步骤一、预处理部分，对流量数据按照不同信息段进行划分：首先统一对数据包截取前1300个字节，当不够1300字节时，则进行补零操作；然后对1300字节的数据进行划分，共分成个部分，前三个部分是数据的连接信息，后三个部分通过将数据内容平均分得到；