[发明专利]一种基于梯度的网络流量分类方法及系统

权利要求书

1.一种基于梯度的网络流量分类方法，其步骤包括：

利用类别标注的网络流量样本集训练用于获取流量特征的深度学习网络；其中，训练方法为：将类别标注的网络流量样本输入所述深度学习网络，得到对应的流量特征；将网络流量样本的标注类别及对应的流量特征分别输入到Rectified-ArcFace层计算预测损失值，使得类别和流量特征之间的角度间隔最大化；将所述损失值反向传播并提取反向传播过程中Rectified-ArcFace层网络权重的梯度，根据所提取梯度通过梯度下降算法对Rectified-ArcFace层网络权重进行更新优化；

将一验证数据集输入训练后的所述深度学习网络，得到一用于区分已知类别流量与未知类别流量的Rectified-ArcFace层网络权重的梯度阈值；

将待识别网络流量输入训练后的深度学习网络，得到对应的流量特征并输入Rectified-ArcFace层，得到待识别网络流量的候选类别；将所得候选类别反向传播到Rectified-ArcFace层并计算Rectified-ArcFace层网络权重的梯度H，如果该梯度H大于所述梯度阈值，则将待识别网络流量的类别为未知类别。

2.根据权利要求1所述的方法，其特征在于，所述深度学习网络的数据处理单元依次为基础块、全连接块；所述基础块的数据处理单元依次为卷积单元、批标准化层、最大池化层和激活层，所述全连接块的数据处理单元依次为全连接层、批归一化层和激活层。

3.根据权利要求2所述的方法，其特征在于，所述深度学习网络的数据处理单元依次为连续多个基础块、连续多个全连接块；所述基础块的卷积单元为连续多个卷积层。

4.根据权利要求3所述的方法，其特征在于，所述深度学习网络的数据处理单元依次为连续两个基础块、连续六个全连接块；所述基础块的卷积单元为连续三个卷积层。

5.根据权利要求1所述的方法，其特征在于，将L_ArcFace层中的交叉熵损失函数替换为类别平衡焦点损失函数，得到Rectified-Arcface层计算预测损失值的损失函数。

6.根据权利要求1或5所述的方法，其特征在于，Rectified-Arcface层利用损失函数计算预测损失值；其中，N表示分批处理的网络流量样本数，x_i表示第i个网络流量样本的流量特征，y_i为第i个网络流量样本的标注类别，s为设定的缩放因子，α为平衡因子，γ为焦点放缩系数，m为流量特征x_i与y_i的权重向量之间的角度间隔，n_y表示类别y的数目，θ_j为第j个网络流量样本的权重W_j和流量特征x_i之间的夹角，为权重W_j中的每一行(即类别y_i的权重向量)和特征x_i之间的夹角。

7.一种基于梯度的网络流量分类系统，其特征在于，包括

深度学习网络，用于获取输入网络流量的流量特征；

Rectified-ArcFace层，用于根据网络流量样本的标注类别及对应的流量特征计算预测损失值，使得类别和流量特征之间的角度间隔最大化；将所述损失值反向传播并提取反向传播过程中Rectified-ArcFace层网络权重的梯度，根据所提取梯度通过梯度下降算法对Rectified-ArcFace层网络权重进行更新优化；

阈值选取模块，用于将一验证数据集输入训练后的所述深度学习网络，得到一用于区分已知类别流量与未知类别流量的Rectified-ArcFace层网络权重的梯度阈值；

流量识别模块，用于将待识别网络流量输入训练后的深度学习网络，得到对应的流量特征并输入Rectified-ArcFace层，得到待识别网络流量的候选类别；将所得候选类别反向传播到Rectified-ArcFace层并计算Rectified-ArcFace层网络权重的梯度H，如果该梯度H大于所述梯度阈值，则将待识别网络流量的类别为未知类别。