[发明专利]一种基于深度学习的列车通信网络流量识别方法

说明书

本发明公开了一种基于深度学习的列车通信网络流量识别方法，具体为：首先利用抓包工具对列车通信网络流量数据进行采集，并对其pcap文件进行读取及解析，经过会话重组、数据清洗及等长处理、归一化处理后，对样本数据进行标签的标注，然后利用样本数据对一维卷积神经网络进行训练；最后只需要将未知流量输入训练好的模型中，就能实现对列车通信网络流量中传统应用层协议以及铁路私有协议的有效分类。本发明实现对列车控制与服务网络中的常见应用层协议以及铁路私有协议进行有效的识别与分类；能够更为精确的提取到有用的特征信息，实现更高的精度、查准率和查全率。

技术领域

本发明属于信息通信技术领域，尤其涉及一种基于深度学习的列车通信网络流量识别方法。

背景技术

随着传统列车通信网络与旅客服务网络的融合以及以太网技术的引入，列车通信网络对传输性能的要求大大增加，此外还引发众多安全问题，如：Dos攻击和IP地址欺骗等。为了保证列车服务网络中流量的合理调度与监管，避免出现网络拥塞、网络入侵等现象，对网络流量进行分类识别和特性分析十分必要。目前流量识别的方法主要分为以下几个方向：基于端口号的识别方法、基于荷载特征的识别方法

初期流量识别技术的方法主要是基于端口号的识别方法。这种方法的核心原理是直接以互联网数字分配机构所定义的标准协议-端口表为基础构建映射表，在网络流量分类时，通过在已有的映射表中查询报文中的端口号，得到相应的协议。随着动态端口号技术的普及以及P2P应用的出现，网络环境的复杂程度不可同日而语，很多应用并没有预先分配的端口号，甚至有些应用为了逃避检测，直接使用其他应用的默认端口号进行通信，因此面对如此庞大的应用种类，端口号判定法的识别能力显得有些捉襟见肘。为了避免使用端口号识别流量所带来的较大误差，于是另一种技术应运而生——深度包检测DPI(DeepPacket Inspection)技术。深度包检测技术不仅检查IP包头和TCP/IP包头部分的信息，而且还会更深入的检查数据包内所有荷载的内容。但是深度包检测方法仍旧还有不足的地方，随着物联网、云计算以及人工智能、在线视频等应用的发展，人们对带宽的需求越来越大，数据传输率也随之增大。大量数据在进行特征码匹配时，对计算机资源需求也增大，无法保证实时性。此外，随着网络的发展，加密数据无处不在，经过加密处理的流量数据将无法正常进行特征码的匹配，这也是限制深度包检测技术发展的一大原因；再者，特征码作为数据流量的唯一标识，一旦它的提取、识别出错，将会直接影响到深度包检测的准确率，特征码的提取并不简单，它需要网络专家对流量数据进行分析才能得到。特征库是人为维护更新的，因此在维护特征库时会增加人力成本，当出现新的类别时，需要及时更新，否则会严重影响到流量识别的准确性。

由于基于端口号和基于深度包检测技术在某些方面都存在一些不可忽视的缺陷，近些年越来越多的研究者将机器学习与流量识别技术相结合。基于机器学习的流量识别方法由于只利用流的统计特征就能对流量进行准确识别，并且对未知应用也有较好的识别效果，在近些年得到了极大的发展。但是这类方法也并非毫无缺点，比如部分算法复杂度较高，计算开销较大，且还要考虑分类器的可扩展性、鲁棒性以及实时性等多方面性能。在种类繁多的流量分类方法中，无论哪种分类方法都有其适用性和局限性，因此，要根据各类识别方法的适用范围及分类需求选择最适合的流量分类方法。

发明内容

考虑到要进行识别的目标流量是基于列车通信网络的数据流量，其中包含了许多铁路私有协议，例如TRDP、RSSP-1、RSSP-2等等，因此，为了对列车通信网络流量进行智能、有效的识别，本发明提供一种基于深度学习的列车通信网络流量识别方法。

本发明的一种基于深度学习的列车通信网络流量识别方法，包括以下步骤：

步骤1：数据预处理，通过抓包工具对目标流量进行捕获，并将采集的目标流量由原始的pcap格式转化为符合神经网络模型输入数据标准的idx格式。