[发明专利]一种基于深度学习的加密网络流量识别及分类方法

说明书

本发明公开了一种基于深度学习的加密网络流量识别及分类方法，所述识别方法包括以下步骤：S1：获取加密网络流量数据并进行预处理得到若干单独的会话；S2：对于预处理后的流量数据进行统计特征的选择；S3：对预处理后的流量数据进行有效载荷截取；S4：将统计特征和有效载荷进行特征整合并进行特征标准化；S5：利用整合后的特征对识别模型进行训练，得到训练好的识别模型；S6：利用训练好的识别模型对加密网络流量进行识别和分类。本发明提高了加密网络流量识别及分类的准确度，实现了更高的分类性能，并且能够对细粒度的加密网络流量进行识别和分类同时具有更强的场景适用性。

技术领域

本发明涉及计算机网络安全领域，更具体地，涉及一种基于深度学习的加密网络流量识别及分类方法。

背景技术

网络流量分类是指将相似或相关的流量数据归为同一类别，准确实时的网络流量分类对网络管理、安全监控和入侵检测都是至关重要。但随着网络技术的不断发展和网络规模的迅速扩大，人们对隐私保护的需求增加，VPN、Tor等具有加密与匿名性的网络技术被用于网络通信的隐私保护。这些技术给普通用户带来便利的同时，也被许多非法分子利用，在匿名网络中利用流量加密技术进行传播恶意软件、分发违法内容和入侵网络主机系统等违法犯罪行为。现今，传统的网络流量分类方法无法应对现今的网络环境，给网络监管带来巨大困难。

传统的网络流量分类方案可分为基于端口和基于有效载荷两种方法，这两类方法均有较大局限性。端口隐藏和动态端口技术的广泛使用，使得基于端口的分类方法已趋于无效；同时，现今大部分流量数据都以加密形式传输，使得基于有效载荷的方法无法获取加密流量中的特征字串，并且其需要访问流量的有效载荷，一定程度上侵犯用户隐私，因此这种方法也存在缺陷。

近年来，机器学习方法被用于网络流量识别与分类中，与传统的方法比较，机器学习方法有更好的分类精度和拓展性，但这些方法也存在不足。

一是依赖人工特征作为分类依据，需要专业人士进行流量特征的统计、手工提取，再使用机器学习的方法进行训练并识别。这需要丰富的专业背景，并且难以泛化推广使用；

二是由于在实际网络中加密网络流量的类别多样，获取的样本往往极不平衡，导致分类性能低。有学者提出使用对抗生成网络进行数据生成，但对抗生成网络训练数据计算开销大，且极不稳定，数据生成难度大。

三是分类的粒度不够精细，现有研究大多集中在加密流量服务类别的分类，对具体应用类别的分类研究较少，没有综合考虑加密网络流量的统计特征和有效载荷深层特征，因而对细粒度的加密网络流量分类性能较差。

综上所述，上述方案均有不足，或者方法陈旧不适用于当今的网络环境；或者仅依赖人工选择的特征进行分类，忽略加密流量深层特征，且未考虑样本不均衡的问题，细粒度加密网络流量分类性能较差。因此，亟需提出一种能对加密网络流量进行准确分类的方法。

发明内容

本发明为克服上述现有技术中对加密网络流量识别方法分类性能和分类准确度较低的缺陷，提供一种基于深度学习的加密网络流量识别及分类方法。

本发明旨在至少在一定程度上解决上述技术问题。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

本发明第一方面提供了一种基于深度学习的加密网络流量识别方法，包括以下步骤：

S1：获取加密网络流量数据并进行预处理得到若干单独的会话；

S2：对于预处理后的流量数据进行统计特征的选择；

S3：对预处理后的流量数据进行有效载荷截取；

S4：将统计特征和有效载荷进行特征整合并进行特征标准化；

S5：利用整合后的特征对识别模型进行训练，得到训练好的识别模型；