[发明专利]一种基于SHAP的1D-CNN网络流量分类模型的可解释方法

权利要求书

1.一种基于SHAP的1D-CNN网络流量分类模型的可解释方法，其特征在于，包括：

步骤1：采集网络流量数据，形成网络流量数据集，提取流量特征，并进行数据预处理，确定网络流量数据的特征维度，再将预处理后的数据集划分为训练集和测试集；

步骤2：采用主观方式与客观方式分别对数据集中每种网络流量类别的特征进行权重赋值，将主观权重值与客观权重值相加得到每种网络流量类别最终的特征权重值；其中，权重赋值具体包括：

步骤2-1：确定数据集中网络流量的类别的数量；

步骤2-2：主观方式赋值：根据理论知识分别设置每种网络流量类别的特征权重值，对符合特定网络流量类别的特征权重赋值为1，其余特征权重赋值为0；

步骤2-3：客观方式赋值：采用皮尔逊相关系数法分别计算每种网络流量类别的特征值与目标值之间的相关系数，将相关系数值作为对应网络流量类别的客观特征权重值；

步骤2-4：将主观权重值与客观权重值相加，得到最后的特征权重值；

步骤3：构建一维卷积神经网络模型1D-CNN，利用卷积和池化交替操作提取网络流量数据的深度特征，将提取到的深度特征进行扁平处理输入全连接层，连接Softmax函数实现类别分类；

步骤4：将训练集数据输入1D-CNN模型中进行迭代训练，当损失函数收敛时形成训练好的1D-CNN模型；

步骤5：将测试集数据输入到训练好的1D-CNN模型中得到分类结果，基于SHAP解释模型并结合对应网络流量类别特征的权重值，计算正向推动结果的特征权重值之和与反向推动结果的特征权重值之和，比并较两者的大小，验证模型预测的合理性；其中，解释模型的步骤具体包括：

步骤5-1：将测试集数据输入到训练好的1D-CNN模型中，得到分类结果，根据分类结果选取对应网络流量类别的特征权重值；

步骤5-2：基于解释模型SHAP对1D-CNN模型的分类结果进行解释，得到解释结果，即每个特征的SHAP值，将SHAP值大于0的特征i划分为正向推动结果的特征，将SHAP值小于0的特征j划分为反向推动结果的特征；

步骤5-3：计算正向推动结果的特征权重值之和F_x与反向推动结果的特征权重值之和B_x，再计算两者的差值θ，公式如下：

θ＝F_x-B_x

其中，x表示输入的测试样本，W_x表示该样本的特征权重值集合，M表示数据集特征的个数，φ_i表示特征的SHAP值；

步骤5-4：如果θ≥0，则判断1D-CNN模型预测合理，否则，判断1D-CNN模型预测不合理，重新调整1D-CNN模型参数，重复步骤3至步骤5。

2.根据权利要求1所述的基于SHAP的1D-CNN网络流量分类模型的可解释方法，其特征在于，步骤1中数据预处理包括：删除数据集中的存在非数值或无限大值的实例，对数据集进行极差标准化处理。

3.根据权利要求1所述的基于SHAP的1D-CNN网络流量分类模型的可解释方法，其特征在于，步骤3中1D-CNN模型包括4个卷积层、2个最大池化层和一个全连接层构成，其中，2个卷积层与1个最大池化层依次相结合并作为一模块层，全连接层设置在两个模块层之后。

4.根据权利要求3所述的基于SHAP的1D-CNN网络流量分类模型的可解释方法，其特征在于，所述卷积层的激活函数为Relu，所述全连接层的激活函数为Softmax。

5.根据权利要求1所述的基于SHAP的1D-CNN网络流量分类模型的可解释方法，其特征在于，步骤1中，采用流量特征提取工具CICflowmeter提取网络流量数据集的流量特征。