[发明专利]基于卷积神经网络的加密流量实时分类方法及装置

权利要求书

1.一种基于卷积神经网络的加密流量实时分类方法，其特征在于，包括：

从在每一条加密流量中采样预设数量的数据包；

将采样得到的数据包作为字节流，任意相连两个字节作为一个字节对，并确定所有字节对的频率特征；

将所有字节对的频率特征，输入预训练的卷积神经网络模型，输出每一条加密流量的数据流类型；

其中，所述预训练的卷积神经网络模型，根据已知数据流类型作为标签的加密流量，经采样和提取频率特征后训练得到。

2.根据权利要求1所述的基于卷积神经网络的加密流量实时分类方法，其特征在于，所述确定所有字节对的频率特征，包括：

根据含有任一字节对的采样数据包个数和数据包总数，确定对应字节对的普遍性权重；

根据所述普遍性权重对每一字节对的次数频率加权后，得到字节对的频率特征。

3.根据权利要求2所述的基于卷积神经网络的加密流量实时分类方法，其特征在于，所述根据含有任一字节对的采样数据包个数和数据包总数，确定对应字节对的普遍性权重，包括：

其中，p_b为采样数据包中字节对b的个数，n为采样数据包总数。

4.根据权利要求1所述的基于卷积神经网络的加密流量实时分类方法，其特征在于，所述从每一加密流量中采样预设数量的数据包之前，还包括：

根据源IP地址，源端口，目的IP地址，目的端口和传输层协议，确定每一条加密流量。

5.根据权利要求1所述的基于卷积神经网络的加密流量实时分类方法，其特征在于，所述将所有字节对的频率特征，输入预训练的卷积神经网络模型，包括：

将所有字节对的频率特征，归一化后分布在256*256的特征矩阵中，前后两个字节分别对应特征矩阵的行列索引；

将所述特征矩阵输入预训练的卷积网络模型。

6.根据权利要求5所述的基于卷积神经网络的加密流量实时分类方法，其特征在于，所述将所述特征矩阵输入预训练的卷积网络模型，包括：

将所述特征矩阵输入预训练的卷积网络模型的四层特征提取网络进行特征提取后，输入全连接层和输出层，得到分类预测结果；

其中，每一特征提取网络，分别包括卷积层、批归一化层和池化层。

7.根据权利要求1所述的基于卷积神经网络的加密流量实时分类方法，其特征在于，所述数据流类型包括：

聊天、视频、语音、P2P、文件传输、电子邮件、VPN聊天、VPN视频、VPN语音、VPNP2P、VPN文件传输、VPN电子邮件。

8.一种基于卷积神经网络的加密流量实时分类装置，其特征在于，包括：

采集模块，用于从在每一条加密流量中采样预设数量的数据包；

提取模块，用于将采样得到的数据包作为字节流，任意相连两个字节作为一个字节对，并确定所有字节对的频率特征；

处理模块，用于将所有字节对的频率特征，输入预训练的卷积神经网络模型，输出每一条加密流量的数据流类型；

其中，所述预训练的卷积神经网络模型，根据已知数据流类型作为标签的加密流量，经采样和提取频率特征后训练得到。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于卷积神经网络的加密流量实时分类方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于卷积神经网络的加密流量实时分类方法的步骤。