[发明专利]基于多视角一维卷积神经网络的VPN和non-VPN网络流量分类方法

权利要求书

1.一种基于多视角一维卷积神经网络的VPN和non-VPN网络流量分类方法，其特征在于，包括：

S1：构建深度学习网络，所述深度学习网络包括头部特征提取单元、载荷特征提取单元、数据展开模块、全连接层和输出层，其中，所述头部特征提取单元和所述载荷特征提取单元分别提供一个视角，所述头部特征提取单元提供一个来自数据包协议头部的视角，所述载荷特征提取单元提供一个来自数据包传输层载荷部分的视角，两个单元的输出分别连接所述数据展开模块，所述数据展开模块的输出连接全连接层，所述全连接层的输出连接所述输出层；

S2：获取VPN或non-VPN互联网流量训练集；

S3：利用所述VPN或non-VPN互联网流量训练集对所述深度学习网络进行训练，获得经训练的深度学习网络模型；

S4：将待分类的原始VPN或non-VPN互联网流量数据包进行预处理；

S5：将预处理后的VPN或non-VPN互联网流量数据包输入经训练的深度学习网络模型，获得分类结果；

进一步地，所述S3包括：

将所述VPN或non-VPN网络流量训练集中带标签的一维数据包输入所述深度学习网络中，对所述深度学习网络进行多轮训练并对所述深度学习网络的权重参数进行更新，当预定的训练次数完成后，从所有训练结果中选取准确率最高的模型作为最终训练后的深度学习网络模型，其中，将所述带标签的一维数据包的头部部分输入所述头部特征提取单元，载荷部分输入所述载荷特征提取单元。

2.根据权利要求1所述的基于多视角一维卷积神经网络的VPN和non-VPN网络流量分类方法，其特征在于，所述载荷特征提取单元包括依次连接的第一一维卷积层、第一下采样层、第二一维卷积层和第二下采样层，所述头部特征提取单元包括依次连接的第三一维卷积层。

3.根据权利要求2所述的基于多视角一维卷积神经网络的VPN和non-VPN网络流量分类方法，其特征在于，所述第一一维卷积层、所述第二一维卷积层和所述第三一维卷积层的卷积核大小均为(1,N)，激活函数为LeakyReLU函数，其中，N≥1。

4.根据权利要求3所述的基于多视角一维卷积神经网络的VPN和non-VPN网络流量分类方法，其特征在于，所述第一下采样层和所述第二下采样层的池化窗口大小均为(1,M)，M≥2。

5.根据权利要求1所述的基于多视角一维卷积神经网络的VPN和non-VPN网络流量分类方法，其特征在于，所述S2包括：

收集预定数量的VPN和non-VPN互联网流量数据包，并剔除其中的无关协议数据包以及数据链路层协议的报头；

对所述互联网流量数据包进行传输层报头填充，以使不同的互联网流量数据包具有相同的传输层报头长度；

将所有互联网流量数据包统一为相同的字节长度并对IP地址进行匿名化处理，获得预处理后的互联网流量数据包；

对预处理后的每个互联网流量数据包添加类别标签，形成所述VPN或non-VPN网络流量训练集。

6.根据权利要求1所述的基于多视角一维卷积神经网络的VPN和non-VPN网络流量分类方法，其特征在于，所述S4包括：

剔除待分类的原始VPN或non-VPN互联网流量数据包中的无关协议数据包以及数据链路层协议的报头；

进行传输层报头填充，使得不同的互联网流量数据包具有相同的传输层报头长度；

将所述互联网流量数据包统一为相同的字节长度并对所述互联网流量数据包的IP地址进行匿名化处理，获得预处理后的VPN或non-VPN互联网流量数据包。

7.根据权利要求1所述的基于多视角一维卷积神经网络的VPN和non-VPN网络流量分类方法，其特征在于，所述S5包括：

将预处理后的VPN或non-VPN互联网流量数据包输入经训练的深度学习网络模型，获得所述互联网流量数据包聊天、邮件、音频和视频四种分类类别的概率值，根据概率值的大小判定所述互联网流量数据包的类别，其中，将所述互联网流量数据包的头部部分输入所述头部特征提取单元，载荷部分输入所述载荷特征提取单元。