CN109033169B - 基于多级权重转换和卷积神经网络的移动流量分类方法 - Google Patents
基于多级权重转换和卷积神经网络的移动流量分类方法 Download PDFInfo
- Publication number
- CN109033169B CN109033169B CN201810640682.0A CN201810640682A CN109033169B CN 109033169 B CN109033169 B CN 109033169B CN 201810640682 A CN201810640682 A CN 201810640682A CN 109033169 B CN109033169 B CN 109033169B
- Authority
- CN
- China
- Prior art keywords
- weight
- character
- neural network
- convolutional neural
- array
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明公开一种基于多级权重转换和卷积神经网络的移动流量分类方法,针对HTTP/HTTPS流量,对于已标注的流量,以事务为单位将HTTP请求、响应消息的头部进行拼接,保留所有回车换行符并截取固定尺寸数据生成二维字符数组,然后使用多级权重转换算法,增强特征并将字符数组转换成二维整数数组,归一化后输入卷积神经网络模型进行训练。对于待检测的流量数据,使用相同的预处理方法进行处理,然后使用训练后的分类器模型进行分类。本发明无需人为手动选取特征,而能够自动寻找并增强特征,从而相对之前的方法具有更高的准确率和实用性。
Description
技术领域
本发明涉及一种移动流量分类技术,具体涉及一种基于多级权重转换和卷积神经网络的移动流量分类方法。
背景技术
流量分类这一领域的研究从最初的根据传输层端口号检测,到使用深度包检测方法(DPI),再到近年模式识别和机器学习的应用已经经历了近三十年。如今,深度学习也开始被应用于流量分类的研究中,然而这些研究基本都是针对于PC端流量的分类识别,无法适用于以HTTP协议流量为主的移动流量。
目前对于移动流量的分离研究仍处于传统机器学习的过程,这些方法往往需要手动选取特征,随着数据集的变化需要人为地进行维护,扩展性较差,且面对可见特征不明显的情况,准确率较低,因而在针对实际问题进行分析时具有一定的局限性。
发明内容
发明目的:本发明的目的在于解决现有技术中存在的不足,提供一种基于多级权重转换和卷积神经网络的移动流量分类方法,能够解决目前移动流量分类已有方法的需手动选择特征、扩展性差和准确率不高等问题。
技术方案:本发明的一种基于多级权重转换和卷积神经网络的移动流量分类方法,依次包括以下步骤:
(1)对已标注的样本数据进行预处理并训练分类器:将已标注的样本数据,经过步骤(1.1)至(1.3)的预处理后输入卷积神经网络模型,完成分类器的模型训练,具体过程为:
(1.1)将已标注的样本数据按事务为单位进行组合,即将HTTP请求及其响应消息进行组合,并生成类别标注;
(1.2)对步骤(1.1)中生成的数据选用其请求消息和响应消息的头部,并截取成固定尺寸格式的二维字符数组;
(1.3)对二维字符数组使用多级权重转换算法,实现特征增强并输出为二维整数数组;
(1.4)将二维整数数组进行归一化处理,然后和步骤(1.1)中生成的类别标注一起输入卷积神经网络模型对分类器进行训练;
(2)识别未知流量,实现分类:对于待识别的流量数据,使用步骤(1.1)至(1.3)中的预处理方法进行预处理,然后输入步骤(1.4)中训练后的分类器,得到对应的分类结果。
进一步的,所述步骤(1)中所使用的样本数据和步骤(2)中所使用的流量数据均为移动应用产生的HTTP/HTTPS流量数据,且其头部区域字符范围均在ASCII码表范围内。
进一步的,所述步骤(1.2)中截取成二维字符数组的方法步骤如下:
(1.2.1)选择固定尺寸M行N列,其中,M和N均为20以上的偶数即可,例如28,32,40或48等等;且当M为28和N为32,所处理的数据最佳;
(1.2.2)遍历该组合数据的每一行,若某一行的字符数不足N,则在这一行最后填充NUL字符知道字符数为N,若某一行的字符数超过N,则在这一行截取并保留前N个字符;
(1.2.3)若组合数据的行数不足M,则使用每行为N个NUL字符的若干行进行填充;若行数超过M,则截取并保留前M行;
(1.2.4)将截取后数据存入尺寸为M×N的二维字符数组。
进一步的,所述步骤(1.3)中的多级权重转换算法公式如下:
式(1)中c为待转换字符,Cc为字符c使用多级权重转换算法后得到的编码,wr为待转换字符所属权重区间r的权重,r-1则表示r的前一个权重区间,字符的权重区间及其权重按照字符ASCII码设计,如表1所示;
表1字符权重区间及其权重对照表
Ac表示字符c的ASCII码,rh和(r-1)e分别为权重区间r的第一个和权重区间r-1的最后一个字符。
进一步的,所述步骤(1.4)中的卷积神经网络框架结构如表2所示;其归一化及具体训练过程步骤如下:
(1.4.1)对步骤(1.3)中得到的所有二维数组每个元素除以转换后编码最大值189进行归一化,则处理后二维数组每个元素大小位于0到1之间;
(1.4.2)将步骤(1.1)中得到的类别标注转换为one-hot类型,与步骤a)中归一化处理后的数组一同输入卷积神经网络;
(1.4.3)在卷积神经网络模型中,在每个子卷积层使用32个卷积核对输入数据同时进行卷积操作,然后使用ReLU激活函数对值大于0的特征部分进行激活;
(1.4.4)通过最大池化层进行下采样操作,以去除不重要的特征样本,进一步减少参数数量;然后通过随机失活函数,以防止过拟合;
(1.4.5)使用两层全连接层完成样本的分类,通过Softmax函数得到当前样本属于每一个类的概率;
(1.4.6)与步骤(1.4.2)中的one-hot类型的类别标注计算得到误差项,将误差项进行反向传递,以修正每一层的权值参数;
(1.4.7)使用新的权值参数对所有训练数据重复(1.4.3)到(1.4.6)多次,直到完成训练。
表2卷积神经网络框架结构
进一步的,所述步骤(2)中的具体卷积神经网络分类过程步骤如下:
(2.1)使用步骤(1.1)至(1.3)中相同预处理方法得到的二维数组,对二维数组中的每个元素除以转换后编码最大值189进行归一化,则处理后二维数组每个元素大小位于0到1之间,然后输入步骤(1)中训练后的卷积神经网络;
(2.2)在卷积神经网络模型中,通过子卷积层提取局部特征,在每个子卷积层使用32个卷积核对输入数据同时进行卷积操作,然后使用ReLU激活函数对值大于0的特征部分进行激活;
(2.3)通过最大池化层进行下采样操作,以去除不重要的特征样本,进一步减少参数数量;然后通过随机失活函数,以防止过拟合;
(2.4)使用两层全连接层完成样本的分类,通过Softmax函数得到当前样本属于每一个类的概率;
(2.5)概率最高的类别则为测试数据的预测类别,完成最终分类。
有益效果:本发明首先对于已标注的流量,以事务为单位将HTTP请求、响应消息的头部进行拼接,保留所有回车换行符并截取固定尺寸数据生成二维字符数组,然后使用多级权重转换算法,增强特征并将字符数组转换成二维整数数组,归一化后输入卷积神经网络模型进行训练。对于代检测的流量数据,使用相同的预处理方法进行处理,然后输入训练后的分类器进行分类,得到识别结果。
随着移动应用数量的爆炸式增长,移动流量使用的头部域各不相同,云服务和内容分发网络(CDN)的广泛使用,使得传统手动选择特征的方法受到严重影响。而本发明采用的基于多级权重转换和卷积神经网络的方法能够自动寻找学习并增强可能分布在任意地点的特征,并不受上述问题的影响。
综上所述,相对传统的基于手动选取特征和机器学习的分类方法,本发明快速有效,可以有效应对特征不明显的问题,对于移动流量分类具有较高的准确率。
附图说明
图1为本发明中的整体流程示意图;
图2为实施例使用的分类器卷积神经网络模型架构图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示,本发明的一种基于多级权重转换和卷积神经网络的移动流量分类方法,包括如下步骤:
(1)对已标注的样本数据进行预处理并训练分类器:将已标注的样本数据,经过步骤1.1至1.3的预处理后输入卷积神经网络模型,完成分类器的模型训练,具体过程为:
1.1将已标注的样本数据按事务为单位进行组合,即将HTTP请求及其响应消息进行组合,并生成类别标注;
1.2对1.1中生成的数据只选用其请求消息和响应消息的头部,并截取成固定尺寸格式的二维字符数组;
1.3对二维字符数组使用多级权重转换算法,实现特征增强并输出为二维整数数组;
1.4将二维整数数组进行归一化处理,然后和1.1中生成的类别标注一起输入卷积神经网络模型对分类器进行训练;
(2)识别未知流量,实现分类:对于待识别的流量数据,使用步骤1.1至1.3中的预处理方法进行预处理,然后输入步骤(1.4)中训练后的分类器,得到对应的分类结果。
实施例1:训练卷积神经网络模型。
卷积神经网络模型的训练具体过程如下:
(1)将样本HTTP/HTTPS流量数据按照事务为单位进行组合,即将HTTP请求及其响应消息进行组合,并且生成该消息组合对应的类别标注。
(2)将步骤(1)的数据只选取请求消息和响应消息的头部,并截取成固定尺寸的二维字符数组。该截取算法步骤如下:
a)选择固定尺寸M行N列,其中M为28,N为32;
b)遍历组合数据的每一行,若某一行字符数不足N,则在这一行最后填充NUL字符直到字符数为N,若某一行的字符数超过N,则在这一行截取并保留前N个字符;
c)若组合数据的行数不足M,则使用每行为N个NUL字符的若干行进行填充,若行数超过M,则截取并保留前M行;
d)将截取后数据存入尺寸为M×N的二维字符数组。
(3)对(2)中的二维字符数组使用多级权重转换算法,转换为二维整数数组。
多级权重转换算法公式如下:
式(1)中c为待转换字符,Cc为字符c使用多级权重转换算法后得到的编码,wr为待转换字符所属权重区间r的权重,r-1则表示r的前一个权重区间,字符的权重区间及其权重按照字符ASCII码设计,具体见表1所示。Ac表示字符c的ASCII码,r和(r-1)e分别为权重区间r的第一个和权重区间r-1的最后一个字符。
表1字符权重区间及其权重对照表
序号 | 字符的权重区间(ASCII码) | 权重 | 转换后编码范围 |
1 | [0,47] | 1 | [0,47] |
2 | [48,57] | 2 | [48,66] |
3 | [58,64] | 1 | [68,74] |
4 | [65,90] | 2 | [75,125] |
5 | [91,96] | 1 | [127,132] |
6 | [97,122] | 2 | [133,183] |
7 | [123,127] | 1 | [185,189] |
例如,对于字符串“Ab9+”,先以字符“A”为例,其ASCII码为65,即Ac为65,查表1可得,字符“A”位于第4区间,即r为4,wr和wr-1分别为2和1,前一个区间的最后一个字符转换后编码为74,当前区间第一个字符的ASCII码Ar为65,则代入式(1)可得“A”的转换后编码为74+1+(65-65)*2=75。类似,其余3个字符权重依次为2、2和1,计算公式以此为132+1+(i-97)*2、47+1+(i-48)*2和0+0+(i-0)*1,多级权重转换后的整数于是依次为为134、66和43。
(4)将(3)中得到的二维整数数组归一化,与(1)中得到的类别标注一同输入卷积神经网络模型进行训练,其具体步骤如下:
a)对(3)中得到的所有二维数组每个元素除以转换后编码最大值189进行归一化,则处理后二维数组每个元素大小位于0到1之间;
b)将(1)中得到的类别标注转换为one-hot类型,与步骤a)中归一化处理后的数组一同输入卷积神经网络;
c)在卷积神经网络模型中,通过子卷积层提取局部特征,在每个子卷积层使用32个卷积核对输入数据同时进行卷积操作,然后使用ReLU激活函数对值大于0的特征部分进行激活;
d)通过最大池化层进行下采样操作,以去除不重要的特征样本,进一步减少参数数量;然后通过随机失活函数,以防止过拟合;
e)使用两层全连接层完成样本的分类,通过Softmax函数得到当前样本属于每一个类的概率;
f)与步骤b)中的one-hot类型的类别标注计算得到误差项,将误差项进行反向传递,以修正每一层的权值参数;
g)使用新的权值参数对所有训练数据重复c)到f)多次,直到完成训练。
这里所用的卷积神经网络框架结构如图2所示,具体参数如表2所示。
表2卷积神经网络框架结构
实施例2:应用流量的分类过程。
(1)按照前述第一步中的(1)~(3)得到待分类流量的二维整数数组。
(2)归一化后输入前述第一步中的(4)训练后的分类模型进行分类,输入预测类别标注,得到分类结果,其具体步骤如下:
a)对前述第一步中二维数组的每个元素除以转换后编码最大值189进行归一化,则处理后二维数组每个元素大小位于0到1之间,然后输入步骤前述第一步中的(4)训练后的卷积神经网络;
b)在卷积神经网络模型中,在每个子卷积层使用32个卷积核对输入数据同时进行卷积操作,然后使用ReLU激活函数对值大于0的特征部分进行激活;
c)通过最大池化层进行下采样操作,以去除不重要的特征样本,进一步减少参数数量;然后通过随机失活函数,以防止过拟合;
d)使用两层全连接层完成样本的分类,通过Softmax函数得到当前样本属于每一个类的概率;
e)概率最高的类别则为测试数据的预测类别,完成最终分类。
通过上述实施例可以看出,本发明首先对训练数据以事务为单位将HTTP请求、响应消息的头部进行拼接,保留所有回车换行符并截取固定尺寸数据生成二维字符数组,然后使用多级权重转换算法,增强特征并将字符数组转换成二维整数数组,归一化后和类别标注一起输入卷积神经网络模型进行训练。对于待检测的流量数据,使用相同的预处理方法进行处理,然后使用训练后的分类器模型进行分类,得到结果。本发明无需人为手动选取特征,而能够自动寻找并增强特征,从而相对之前的方法具有更高的准确率和实用性。
Claims (6)
1.一种基于多级权重转换和卷积神经网络的移动流量分类方法,其特征在于:依次包括以下步骤:
(1)对已标注的样本数据进行预处理并训练分类器:将已标注的样本数据,经过步骤(1.1)至(1.3)的预处理后输入卷积神经网络模型,完成分类器的模型训练,具体过程为:
(1.1)将已标注的样本数据按事务为单位进行组合,即将HTTP请求及其响应消息进行组合,并生成类别标注;
(1.2)对步骤(1.1)中生成的数据选用其请求消息和响应消息的头部,并截取成固定尺寸格式的二维字符数组;
(1.3)对二维字符数组使用多级权重转换算法,实现特征增强并输出为二维整数数组;
(1.4)将二维整数数组进行归一化处理,然后和步骤(1.1)中生成的类别标注一起输入卷积神经网络模型,对分类器进行训练;
(2)识别未知流量,实现分类:对于待识别的流量数据,使用步骤(1.1)至(1.3)中的预处理方法进行预处理,然后输入步骤(1.4)中训练后的分类器,得到对应的分类结果;
所述步骤(1.3)中的多级权重转换算法公式如下:
式(1)中c为待转换字符,Cc为字符c使用多级权重转换算法后得到的编码,wr为待转换字符所属权重区间r的权重,r-1则表示r的前一个权重区间,字符的权重区间及其权重按照字符ASCII码设计:ASCII码为[0,47]的字符权重为1,转换后编码范围为[0,47];ASCII码为[48,57]的字符权重为2,转换后编码范围为[48,66];ASCII码为[58,64]的字符权重为1,转换后编码范围为[68,74];ASCII码为[65,90]的字符权重为2,转换后编码范围为[75,125];ASCII码为[91,96]的字符权重为1,转换后编码范围为[127,132];ASCII码为[97,122]的字符权重为2,转换后编码范围为[133,183];ASCII码为[123,127]的字符权重为1,转换后编码范围为[185,189];Ac表示字符c的ASCII码,rh和(r-1)e分别为权重区间r的第一个和权重区间r-1的最后一个字符。
2.根据权利要求1所述的基于多级权重转换和卷积神经网络的移动流量分类方法,其特征在于:所述步骤(1)中所使用的样本数据和步骤(2)中所使用的流量数据均为移动应用产生的HTTP/HTTPS流量数据,且其头部区域字符范围均在ASCII码表范围内。
3.根据权利要求1所述的基于多级权重转换和卷积神经网络的移动流量分类方法,其特征在于:所述步骤(1.2)中截取成二维字符数组的方法步骤如下:
(1.2.1)选择固定尺寸M行N列,其中,M和N均为20以上的偶数;
(1.2.2)遍历所述步骤(1.1)中生成的数据的每一行,若某一行的字符数不足N,则在这一行最后填充NUL字符直到字符数为N,若某一行的字符数超过N,则在这一行截取并保留前N个字符;
(1.2.3)若所述步骤(1.1)中生成的数据的行数不足M,则使用每行为N个NUL字符的若干行进行填充;若行数超过M,则截取并保留前M行;
(1.2.4)将截取后的数据存入尺寸为M×N的二维字符数组。
4.根据权利要求3所述的基于多级权重转换和卷积神经网络的移动流量分类方法,其特征在于:所述M为28,且N为32。
5.根据权利要求1所述的基于多级权重转换和卷积神经网络的移动流量分类方法,其特征在于:所述步骤(1.4)中的归一化及具体训练过程步骤如下:
(1.4.1)对步骤(1.3)中得到的所有二维数组每个元素除以转换后编码最大值189进行归一化,则处理后二维数组每个元素大小位于0到1之间;
(1.4.2)将步骤(1.1)中得到的类别标注转换为one-hot类型,与步骤a)中归一化处理后的数组一同输入卷积神经网络;
(1.4.3)在卷积神经网络模型中,在每个子卷积层使用32个卷积核对输入数据同时进行卷积操作,然后使用ReLU激活函数对值大于0的特征部分进行激活;
(1.4.4)通过最大池化层进行下采样操作,以去除不重要的特征样本;然后通过随机失活函数;
(1.4.5)使用两层全连接层完成样本的分类,通过Softmax函数得到当前样本属于每一个类的概率;
(1.4.6)与步骤(1.4.2)中的one-hot类型的类别标注计算得到误差项,将误差项进行反向传递,以修正每一层的权值参数;
(1.4.7)使用新的权值参数对所有训练数据重复(1.4.3)到(1.4.6)多次,直到完成训练。
6.根据权利要求1所述的基于多级权重转换和卷积神经网络的移动流量分类方法,其特征在于:所述步骤(2)中的具体卷积神经网络分类过程步骤如下:
(2.1)使用步骤(1.1)至(1.3)中相同预处理方法得到的二维数组,对二维数组中的每个元素除以转换后编码最大值189进行归一化,则处理后二维数组每个元素大小位于0到1之间,然后输入步骤(1)中训练后的卷积神经网络;
(2.2)在卷积神经网络模型中,通过子卷积层提取局部特征,在每个子卷积层使用32个卷积核对输入数据同时进行卷积操作,然后使用ReLU激活函数对值大于0的特征部分进行激活;
(2.3)通过最大池化层进行下采样操作,以去除不重要的特征样本;然后通过随机失活函数;
(2.4)使用两层全连接层完成样本的分类,通过Softmax函数得到当前样本属于每一个类的概率;
(2.5)概率最高的类别则为测试数据的预测类别,完成最终分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810640682.0A CN109033169B (zh) | 2018-06-21 | 2018-06-21 | 基于多级权重转换和卷积神经网络的移动流量分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810640682.0A CN109033169B (zh) | 2018-06-21 | 2018-06-21 | 基于多级权重转换和卷积神经网络的移动流量分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109033169A CN109033169A (zh) | 2018-12-18 |
CN109033169B true CN109033169B (zh) | 2021-08-10 |
Family
ID=64610372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810640682.0A Active CN109033169B (zh) | 2018-06-21 | 2018-06-21 | 基于多级权重转换和卷积神经网络的移动流量分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033169B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019200565A1 (de) * | 2019-01-17 | 2020-07-23 | Robert Bosch Gmbh | Vorrichtung und Verfahren zur Klassifizierung von Daten insbesondere für ein Controller Area Netzwerk oder ein automotive Ethernet Netzwerk. |
CN111064678A (zh) * | 2019-11-26 | 2020-04-24 | 西安电子科技大学 | 基于轻量级卷积神经网络的网络流量分类方法 |
CN111310801B (zh) * | 2020-01-20 | 2024-02-02 | 桂林航天工业学院 | 一种基于卷积神经网络的混合维度流量分类方法及其系统 |
CN112035582A (zh) * | 2020-08-28 | 2020-12-04 | 光大科技有限公司 | 结构化数据的分类方法及装置、存储介质、电子装置 |
CN113132397B (zh) * | 2021-04-23 | 2023-03-24 | 信阳农林学院 | 一种基于深度学习的网络加密流量识别方法、装置及设备 |
CN113128626A (zh) * | 2021-05-28 | 2021-07-16 | 安徽师范大学 | 基于一维卷积神经网络模型的多媒体流细分类方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101741744A (zh) * | 2009-12-17 | 2010-06-16 | 东南大学 | 一种网络流量识别方法 |
US9413785B2 (en) * | 2012-04-02 | 2016-08-09 | Mcafee, Inc. | System and method for interlocking a host and a gateway |
US9514391B2 (en) * | 2015-04-20 | 2016-12-06 | Xerox Corporation | Fisher vectors meet neural networks: a hybrid visual classification architecture |
CN106790019A (zh) * | 2016-12-14 | 2017-05-31 | 北京天融信网络安全技术有限公司 | 基于特征自学习的加密流量识别方法及装置 |
CN107516312A (zh) * | 2017-08-14 | 2017-12-26 | 北京工业大学 | 一种应用浅层神经网络的中医面色自动分类方法 |
CN107622281A (zh) * | 2017-09-20 | 2018-01-23 | 广东欧珀移动通信有限公司 | 图像分类方法、装置、存储介质及移动终端 |
CN107679183A (zh) * | 2017-09-29 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 分类器用训练数据获取方法和装置、服务器及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110071997A1 (en) * | 2007-07-30 | 2011-03-24 | Sullivan Alan T | Systems and methods for direction of communication traffic |
-
2018
- 2018-06-21 CN CN201810640682.0A patent/CN109033169B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101741744A (zh) * | 2009-12-17 | 2010-06-16 | 东南大学 | 一种网络流量识别方法 |
US9413785B2 (en) * | 2012-04-02 | 2016-08-09 | Mcafee, Inc. | System and method for interlocking a host and a gateway |
US9514391B2 (en) * | 2015-04-20 | 2016-12-06 | Xerox Corporation | Fisher vectors meet neural networks: a hybrid visual classification architecture |
CN106790019A (zh) * | 2016-12-14 | 2017-05-31 | 北京天融信网络安全技术有限公司 | 基于特征自学习的加密流量识别方法及装置 |
CN107516312A (zh) * | 2017-08-14 | 2017-12-26 | 北京工业大学 | 一种应用浅层神经网络的中医面色自动分类方法 |
CN107622281A (zh) * | 2017-09-20 | 2018-01-23 | 广东欧珀移动通信有限公司 | 图像分类方法、装置、存储介质及移动终端 |
CN107679183A (zh) * | 2017-09-29 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 分类器用训练数据获取方法和装置、服务器及存储介质 |
Non-Patent Citations (2)
Title |
---|
"Automatic Mobile Application Traffic Identification by Convolutional Neural Networks";Zhengyang Chen et.al;《https://ieeexplore.ieee.org/document/7846960》;20160826;第1-7页 * |
"基于深度卷积神经网络的网络流量分类方法";王勇;《通信学报》;20180125;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109033169A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033169B (zh) | 基于多级权重转换和卷积神经网络的移动流量分类方法 | |
CN110730140B (zh) | 基于时空特性相结合的深度学习流量分类方法 | |
CN109271522B (zh) | 基于深度混合模型迁移学习的评论情感分类方法及系统 | |
CN111369563B (zh) | 一种基于金字塔空洞卷积网络的语义分割方法 | |
CN111259905B (zh) | 一种基于下采样的特征融合遥感图像语义分割方法 | |
CN112508085B (zh) | 基于感知神经网络的社交网络链路预测方法 | |
CN109726657B (zh) | 一种深度学习场景文本序列识别方法 | |
CN110473083B (zh) | 树状风险账户识别方法、装置、服务器及存储介质 | |
CN110647820B (zh) | 基于特征空间超分辨映射的低分辨率人脸识别方法 | |
CN112511555A (zh) | 基于稀疏表示和卷积神经网络的私有加密协议报文分类法 | |
CN113705641B (zh) | 基于富上下文网络的高光谱图像分类方法 | |
CN114092742B (zh) | 一种基于多角度的小样本图像分类装置和方法 | |
CN105320967A (zh) | 基于标签相关性的多标签AdaBoost集成方法 | |
CN111143567B (zh) | 一种基于改进神经网络的评论情感分析方法 | |
CN112381179A (zh) | 一种基于双层注意力机制的异质图分类方法 | |
Akhand et al. | Convolutional Neural Network based Handwritten Bengali and Bengali-English Mixed Numeral Recognition. | |
CN110110724A (zh) | 基于指数型挤压函数驱动胶囊神经网络的文本验证码识别方法 | |
CN114419413A (zh) | 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法 | |
CN113240683A (zh) | 基于注意力机制的轻量化语义分割模型构建方法 | |
CN110348448A (zh) | 一种基于卷积神经网络的车牌字符识别方法 | |
CN110674291A (zh) | 一种基于多元神经网络融合的中文专利文本效应类别分类方法 | |
CN114493826A (zh) | 一种基于神经网络的个人征信评分方法 | |
CN110288603A (zh) | 基于高效卷积网络和卷积条件随机场的语义分割方法 | |
CN112926684B (zh) | 一种基于半监督学习的文字识别方法 | |
CN114580552A (zh) | 一种基于迁移模型的小样本茶叶图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |