[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

说明书

本发明提供了一种基于SHAP的1D‑CNN网络流量分类模型的可解释方法，包括：采集网络流量数据并划分为训练集和测试集；采用主客观方式分别对每种网络流量类别的特征进行权重赋值，两者相加得到最终特征权重值；构建1D‑CNN分类模型并基于训练集进行训练，将测试数据输入训练好的模型，基于SHAP对模型预测结果进行解释，根据模型预测的分类结果选取相应网络流量类别的特征权重，再根据SHAP的解释结果，比较正反向推动结果的特征权重值之和来判断模型预测是否合理。本发明实现了对1D‑CNN网络流量分类模型进行解释，验证了模型预测的合理性，提高了模型的准确性和透明性，有效解决了模型黑匣子的问题。

技术领域

本发明涉及人工智能技术领域，具体但不限于涉及一种基于SHAP的1D-CNN网络流量分 类模型的可解释方法。

背景技术

在5G时代下网络快速普及的背景下，互联网中吞吐的海量流量数据种类繁多，增加了 网络流量分类问题的难度，对分类器的速度和准确性提出了更高的要求。如何通过分析网络流 量实现网络态势感知，及时发现网络异常情况并采取针对性处理措施，对于实施网络安全审查 制度，加强网络安全管理，检测和抵御网络入侵，维护国家网络安全等都有着重要意义。

近年来，得益于人工智能的快速发展，研究人员开始将深度学习应用于网络流量分类，深 度学习可以很好的学到流量分类的特征，大大提高了模型的准确性，尽管已经取得了巨大的进 展，但还存在一些亟待解决的问题，尤其是深度学习模型的可解释性，尽管模型最终的准确性 逼近100％，但却无法清楚了解模型是否合理的对流量进行分类，只能盲目相信模型预测的结 果。

有鉴于此，需要提供一种新的方法，以期解决上述至少部分问题。

发明内容

针对现有技术中的一个或多个问题，本发明提出了一种基于SHAP的1D-CNN网络流量分 类模型的可解释方法，能够对1D-CNN网络流量分类模型进行解释，并验证模型预测的合理 性。

实现本发明目的的技术解决方案为：

一种基于SHAP的1D-CNN网络流量分类模型的可解释方法，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；

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。

进一步的，本发明的基于SHAP的1D-CNN网络流量分类模型的可解释方法，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。

进一步的，本发明的基于SHAP的1D-CNN网络流量分类模型的可解释方法，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。

进一步的，本发明的基于SHAP的1D-CNN网络流量分类模型的可解释方法，步骤2中进 行权重赋值具体包括：

步骤2-1：确定数据集中网络流量的类别的数量；