[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

说明书

本发明公开了一种基于神经网络和注意力机制的网络流量分类方法和装置，所述方法包括：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。应用本发明可以实现对网络流量的识别和分类。

技术领域

本发明涉及网络流量分类技术领域，特别是指一种基于神经网络和注意力机制的网络流量分类方法和装置。

背景技术

随着各种新型网络应用的不断出现，而且各应用类型都具有自身独特的流量特征，这使得网络流量也日益复杂化。如果没有网络流量识别与分类的技术基础，便难以准确描述用户的网络行为、精确分析网络发展趋势，实现网络动态管理也更加困难，从而影响网络资源的利用率。网络流量识别与分类技术是一种间接了解网络状态的统计行为，是对网络进行深入研究的重要手段。针对目前互联网发展所面临的挑战，进行网络流量识别与分类技术的研究有以下意义：(1)对网络资源进行合理分配与管理的技术基础，(2)对传统网络内容监管方式的一种补充，(3)为保障网络安全提供重要的技术支撑。

发明内容

有鉴于此，本发明的目的在于提出一种基于神经网络和注意力机制的网络流量分类方法和装置，实现对网络流量的识别和分类。

基于上述目的，本发明提供一种基于神经网络和注意力机制的网络流量分类方法，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。

较佳地，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。

其中，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。

较佳地，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；