[发明专利]一种基于生成对抗网络与模型压缩的军用通信加密流量识别方法

说明书

本发明提供一种基于生成对抗网络与模型压缩的军用通信加密流量识别方法，包括如下步骤：S10，构建并训练军用通信加密流量识别的大模型；S20，建立用于加密流量识别的压缩模型；S30，构建并训练生成加密流量的生成网络；S40，使用生成的加密流量并结合知识蒸馏方式训练压缩模型，获得训练好的压缩模型；S50，采用训练好的压缩模型进行军用通信加密流量识别。本发明能够解决军用通信加密流量难以获得的问题，同时可以部署在功耗受限的军用设备(机载、手持、肩载设备)上。该方法鲁棒性较强、工作场景可以是军用自组网或军用传感网。

技术领域

本发明涉及无线通信技术领域，具体而言，涉及一种基于生成对抗网络与模型压缩的军用通信加密流量识别方法。

背景技术

军事通信网络面向军事任务，提供可靠的、准确的信息传输。军事通信网络与一般的民用网络不同，表现在：(1)通信系统要求更高。更注重通信的管理，比如个呼、组呼、紧急呼叫、多优先级、空中加密、端到端加密等。(2)终端要求更严格。更强调终端的可靠性、安全性以及信息传输的低时延性，通信设备体积以及功耗更小。随着5G和国防信息化的发展，军事网络中的业务类型越来越复杂，军用通信的加密流量(如用于作战指挥的视频、图像、语音、文本等通信流量)急剧增长。对军事加密流量的正确分析有助于实现对军事网络的智能化管理和资源的合理分配。更具体地，可以通过流量识别技术以获得不同的音频、视频流量，进而根据流量占据的带宽大小为之分配带宽，实现网络资源的合理分配；还可以是根据流量识别的结果按照流量的优先级对每一类流量进行排序，先转发优先级高的流量，从而减少相应的作战指挥信息的传输时延；此外，通过对流经某个设备的流量进行分析，可以发现攻击者的恶意流量类型，进而保障军事通信的安全性。

传统的流量分类技术有基于端口的、基于有效载荷的和基于机器学习的。这些技术都基于预先定义的特征库并假设每一类流量可以用一系列唯一与之匹配的特征进行区分。通过对接收到的流量的特征(如数据包的长度、持续时间等)与预先定义的特征库进行比较实现流量的分类。但是，这些传统的流量识别技术只适用于非加密的通信流量，网络数据包被加密以后，传统的流量识别技术无法解析数据包的内容，因此，其分类准确率很低。考虑到军用通信中大多都是加密流量，因此这些技术不适用于军用通信中加密流量的识别。

基于深度学习的流量识别技术无需提前进行流量数据特征库的建立，它可以直接从原始流量数据中提取特征，对加密和非加密的通信流量都可以进行识别。使用深度神经网络进行加密流量识别的过程通常包括以下几个步骤：加密流量数据库的建立、深度神经网络模型的构建、深度神经网络模型的训练以及评估、对训练好的深度学习模型的部署以实现加密流量的识别。Tian Shiming等人将深度学习用于流量分类，他们使用多层感知机模型实现了流量协议的分类，王伟等人首先将流量数据统一为784字节数据，将流量数据转化成灰度图像输入卷积神经网络进行分类。J.Zhang等人提出了一种基于原型系统的恶意流量分类系统，该系统鲁棒性较高、可以识别出训练阶段未出现的流量。以上提到的深度学习模型对加密流量的识别都取得了较高的准确率，然而，这些方法也存在一些弊端。(1)深度学习模型在训练时依赖于庞大的流量数据集，由于隐私问题，军用通信加密流量难以获得。(2)军用设备(手持、机载)存储空间有限，深度学习模型庞大，难以在这些设备上部署深度神经网络模型。这限制了基于深度学习的加密流量识别技术在军用通信中的发展。

生成对抗网络是一种无监督的深度学习模型，它依据真实的数据分布，产生和真实数据相似度很高的假的数据。生成对抗网络包括生成器和判别器，生成器的目标是产生尽可能符合真实数据分布的假的数据，判别器的目标是要更准确的判断出某个数据是真实的还是虚假的。有些研究利用生成对抗网络进行了图像数据集的增强，A.Dubey等人以应用程序的数据分布为条件，使用生成对抗网络产生不同的应用程序数据来解决网络流量分类中的数据不平衡问题。尽管生成对抗网络在数据集增强方面取得了不错的表现，很少有研究侧重于利用生成对抗网络解决军用通信中加密流量数据集难以获得的问题。

发明内容

本发明旨在提供一种基于生成对抗网络与模型压缩的军用通信加密流量识别方法，以解决上述军用通信加密流量识别存在的问题。