[发明专利]基于DPI和CNN的区块链应用流量识别方法

说明书

本发明公开了一种基于DPI和CNN的区块链应用流量识别方法，包括以下步骤：步骤S1、流量采集模块通过规则下发机制捕获并下发网络数据流量；步骤S2、DPI识别模块采用模式匹配算法对流量数据进行模式匹配，从而对应用流量进行识别，当匹配识别成功，则标记相应流量，结束；当无法匹配识别时，标记为不确定流量，并进入步骤S3；步骤S3、利用卷积神经网络模型CNN对不确定流量进行分类识别，当识别成功后，则标记为区块链相应流量类型，结束；当无法识别时，标记为非区块链流量，结束。通过本发明很好地弥补了使用传统方法不能精确识别出区块链应用的缺点，极大地提升了对区块链应用的识别能力。

技术领域

本发明属于区块链技术领域，尤其涉及基于深度包检测技术(DPI)与卷积神经网络(CNN)的区块链应用流量的识别技术。

背景技术

区块链技术作为一种新兴技术，具有：不可篡改、去中心化、方便追溯、集体维护等特点。其核心技术主要涉及加密技术、点对点网络设计、分布式算法的实现以及数据存储技术的使用。去中心化的区块链技术具有比中心化技术架构在隐私及安全等方面更显著的优势。业界在其他领域传统的流量识别方法主要：支持向量机(SVM)的识别方法、基于贝叶斯算法的识别方法以及基于决策树(Decision Tree)的识别方法等。但是目前针对区块链应用协议流量识别的方法还相对较少，还未出现正式发表过的文献资料。

现有的技术主要应用于传统的中心化对等网络以及去中心化的P2P网络中的流量识别。在大规模训练或识别误差方面具有明显的缺点。例如：基于支持向量机(SVM)的识别方法，是一种适用于小样本训练模型的新颖学习方法。它具有算法简单，性能稳定的特点。但该算法及其改进方法在大规模训练样本训练时和解决多分类问题时难以实施；基于决策树的识别方法，效率高且易于理解和实现，但是在处理特征关联性比较强的数据时会产生较大误差。因此，当用于数据流量巨大且需要对大规模训练样本进行训练的区块链应用进行流量识别时，以上方法存在明显的缺点。

随着技术的提高，目前市场中的区块链应用成持续上升趋势。网络管理员如何更加有效对区块链流量进行监控成为一个严峻的问题。但以去中心化为鲜明特点的区块链应用与传统的中心化应用在网络模型涉及上存在显著的不同。且目前尚未出现针对区块链流量进行识别的相关文献。

发明内容

针对现有技术存在的问题，本发明提供了一种基于DPI和CNN的区块链应用流量识别方法，能更加精准的识别网络中的区块链应用，提高了对区块链应用流量的识别能力。

为解决上述技术问题，本发明采用了以下技术方案：

一种基于DPI和CNN的区块链应用流量识别方法，包括以下步骤：

步骤S1、流量采集模块通过规则下发机制捕获并下发网络数据流量；

步骤S2、DPI识别模块采用模式匹配算法对流量数据进行模式匹配，从而对应用流量进行识别，当匹配识别成功，则标记相应流量，结束；当无法匹配识别时，标记为不确定流量，并进入步骤S3；

步骤S3、利用卷积神经网络模型CNN对不确定流量进行分类识别，当识别成功后，则标记为区块链相应流量类型，结束；当无法识别时，标记为非区块链流量，结束。

进一步的，步骤S2所述DPI识别模块对流量数据进行模式匹配时，首先对流量数据应用层协议进行解析及解码，然后采用搜索算法引擎提取流量数据包中有效载荷特征，并将该有效载荷特征与DPI识别模块中的特征库进行匹配，若匹配成功，则将该流量数据标识为已知区块链应用数据。

进一步的，步骤S3中卷积神经网络模型CNN识别数据流量的具体过程如下：

(1)特征提取模块采集区块链流量作为训练流量数据，并提取训练流量数据的统计特征，建立流量特征向量集；

(2)机器学习训练模块对流量特征向量进行深度学习，训练得到用于识别区块链应用流量的训练模型；