[发明专利]一种基于深度学习的网络流量协议识别方法

摘要

本发明公开了基于深度学习的网络流量协议识别方法，利用网络流数据与图像的相似性，绕过流量特征值选择和提取的工作，直接将网络流数据作为卷积神经网络的输入，进行监督学习，训练网络流量协议识别模型，实现网络流量协议识别功能。本发明方法只需提供待识别网络流量协议样本用于对卷积神经网络的训练，能够自动提取到有利于分类任务的特征，无需花费精力于协议特征抽取与选择；该方法具备学习和扩展能力，能够用于对新出现未知协议的识别，可扩展应用到对包含恶意代码网络流量的识别和对应用程序流量的识别。

主权项

一种基于深度学习的网络流量协议识别方法，其特征在于，包括如下步骤：根据待识别网络流量协议样本构建训练集；将训练集输入已构建的卷积神经网络模型，对卷积神经网络模型进行训练，确定模型参数；构建卷积神经网络模型的具体方法如下：输入层：取网络流量的原始特征数组作为输入；第一个卷积层：将1024位的原始特征数组X视为32*32的矩阵，用32组单通道5*5卷积核去卷积输入的原始特征数组，然后加上偏置项，用ReLU函数激活得到卷积层C₁；第二个卷积层：用64组32通道的5*5卷积核去卷积S₂，然后加上偏置项，用ReLU函数激活得到卷积层C₃；S₂为对卷积层C₁进行2*2最大值池化得到的特征图；第三个卷积层：用128组64通道的5*5卷积核去卷积S₄，然后加上偏置项，用ReLU函数激活得到卷积层C₅；S₄为对卷积层C₃进行2*2最大值池化得到的特征图；全连接层，将S₆的128个4*4特征图视为32*32的矩阵，用1024组单通道32*32神经元与S₆全连接，计算输入向量和权重向量之间的点积，再加上一个偏置项，然后将其输入给ReLU激活函数产生相应的输出F₇；S₆为对卷积层C₅进行2*2最大值池化得到的特征图；输出层，是多分类Softmax分类器；用n组单通道1024神经元与F₇全连接，转化为n个1*1的特征图，即一个n维的特征向量，再用Softmax函数计算出n维预测数组Y，作为卷积神经网络模型的输出，对应协议识别的预测概率；将待识别网络流量输入卷积神经网络模型进行协议识别。