[发明专利]基于神经网络和注意力机制的网络流量分类方法和装置

权利要求书

1.一种基于神经网络和注意力机制的网络流量分类方法，其特征在于，包括：

将同一网络流的n个数据包基于字节进行独热编码后，得到n个独热编码矩阵；

将n个独热编码矩阵通过神经网络提取特征，得到n个特征编码向量；

将所述n个特征编码向量通过数据包注意力机制加强对重要数据包所对应的特征编码向量的注意，得到所述网络流的数据包注意力编码矩阵；

将所述数据包注意力编码矩阵通过全连接层得到所述网络流的分类结果；

其中，由所述神经网络、数据包注意力机制、全连接层构成的网络流量分类模型是预先训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述神经网络包括：循环神经网络单元、n个卷积神经网络单元以及n个字节注意力机制，所述特征编码向量具体为时序空间特征编码向量；以及

所述将n个独热编码矩阵通过神经网络提取特征，得到n个特征编码向量，具体包括：

将n个独热编码矩阵分别通过n个字节注意力机制加强对数据包中重要字节的注意，得到n个字节注意力编码矩阵；

将n个字节注意力编码矩阵分别通过n个卷积神经网络单元提取空间特征，得到n个空间特征编码向量；

将第1～第n个空间特征编码向量依次输入到所述循环神经网络单元提取时序特征，得到n个时序空间特征编码向量；

其中，第1～第n个空间特征编码向量分别为网络流中第1～第n个数据包的空间特征编码向量。

3.根据权利要求1所述的方法，其特征在于，所述神经网络包括：循环神经网络单元和n个卷积神经网络单元，所述特征编码向量具体为时序空间特征编码向量；以及

所述将n个独热编码矩阵通过神经网络提取特征，得到n个特征编码向量，具体包括：

将n个独热编码矩阵分别通过n个卷积神经网络单元提取空间特征，得到n个空间特征编码向量；

将第1～第n个空间特征编码向量依次输入到所述循环神经网络单元提取时序特征，得到n个时序空间特征编码向量；

其中，第1～第n个空间特征编码向量分别为网络流中第1～第n个数据包的空间特征编码向量。

4.根据权利要求1所述的方法，其特征在于，所述神经网络具体包括：n个卷积神经网络单元，所述特征编码向量具体为空间特征编码向量；以及

所述将n个独热编码矩阵通过神经网络提取特征，得到n个特征编码向量，具体包括：

将n个独热编码矩阵分别通过n个卷积神经网络单元提取空间特征，得到n个空间特征编码向量。

5.根据权利要求2-4任一所述的方法，其特征在于，所述卷积神经网络单元具体包括：卷积层和池化层。

6.根据权利要求3或4所述的方法，其特征在于，所述循环神经网络具体为：长短期网络，或门控循环单元网络。

7.根据权利要求1-4任一所述的方法，其特征在于，所述网络流量分类模型具体根据如下方法预先训练得到的：

将标识了类别、包含n个数据包的网络流作为训练样本输入到所述网络流量分类模型；

计算所述网络流量分类模型输出的分类结果与标识的类别之间的焦点损失；

根据计算的焦点损失，采用反向传播算法对所述网络流量分类模型中的参数进行调整。

8.根据权利要求1所述的方法，其特征在于，在所述将同一网络流的n个数据包进行独热编码前，还包括：将采集的初始的混合流量数据进行预处理：

将采集的初始的混合流量数据分割为多个网络流；

获取每个网络流的前n个数据包，并对每个数据包只提取前m个字节；

对不足n个数据包的网络流和不足m字节的数据包使用加0补全处理。