CN112688961A - 基于特征自适应层次聚类的网络流量图像安全分类方法 - Google Patents
基于特征自适应层次聚类的网络流量图像安全分类方法 Download PDFInfo
- Publication number
- CN112688961A CN112688961A CN202110015140.6A CN202110015140A CN112688961A CN 112688961 A CN112688961 A CN 112688961A CN 202110015140 A CN202110015140 A CN 202110015140A CN 112688961 A CN112688961 A CN 112688961A
- Authority
- CN
- China
- Prior art keywords
- network traffic
- network
- network flow
- matrix
- image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000013145 classification model Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000005354 coacervation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 abstract 1
- 230000002776 aggregation Effects 0.000 abstract 1
- 238000010187 selection method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Abstract
本发明公开了一种基于特征自适应层次聚类的网络流量图像安全分类方法,利用自适应层次聚类方法对网络流量特征进行聚类,所生成的聚类的网络流量图像在不损失网络流量特征信息的前提下,加强了网络流量特征之间的关联性,增加了网络流量相关特征的强度,从而提高了网络流量安全分类的准确性。所述方法对网络流量特征进行自底而上的凝聚法聚类,具有一定的自适应性,并提出最优聚类数选取的方法,增强了流量特征图像聚类效果,对种类复杂多样的网络流量安全分类问题普遍适用。
Description
技术领域
本发明涉及网络流量安全技术领域,特别涉及一种基于特征自适应层次聚类的网络流量图像安全分类方法。
背景技术
网络流量安全分类作为网络安全管理和网络安全分析的基础,是网络安全领域的研究重点。随着人工智能的发展,机器学习技术在网络流量安全分类应用中愈加广泛,然而机器学习分类模型的识别性能往往过于依赖特征选择,在某种程度上,特征选择的优劣直接决定了网络流量分类模型性能的上限。
现有技术通过改进网络流量特征选择方法或优化机器学习算法来提高网络流量安全分类的效果,然而利用特征选择方法求得对机器学习模型分类特征组合,会不同程度地损失网络流量的原始特征信息,甚至陷入局部最优,使得整体分类结果不稳定、不准确,并且由于机器学习算法自身的局限性,实现多种类复杂网络流量安全分类仍然存在一定的难度。
现有的技术方案主要有以下几种:
(1)中国科学技术大学的Wei Wang认为数据流前面字段部分是包含连接数据和内容数据,可以很好地反映数据流的固有特征,因此通过截取原始网络流量数据中每条数据流的前784B(长度不够,用0x00填充),然后转换为28×28的图像对网络流量特征信息进行选择,最后使用了类似于LeNet-5的CNN体系结构,对网络流量进行分类。
(2)中国科学院信息工程研究所的吴迪同方案1一样,只是截取原始网络流量数据中每条数据流的前1024B,然后转换为32×32的图像对网络流量特征信息进行统计。
(3)国家计算机网络与信息安全管理中心的刘纪伟提出一种基于统计排序的特征选择方法(Feature Selectionbased on Statistic and Ranking,FSSR),该方法根据特征的重要性权重值进行特征选择。首先根据特征选择系数大小选取相关性强、类别区分度高的特征组成初始特征子集,然后根据特征影响系数大小按序对初始特征子集进行二次选择,再次进行降维寻优操作,从而获得最优特征子集,有效提升分类的效率和效果。
(4)FahadA提出一种全局优化方法(Global OptimizationAlgorithm,GOA),首先结合了多种的特征选择技术,产生跨不同流量数据集的初始特征子集,然后基于信息熵来提取稳定和准确特征,并使用一种基于随机森林的过滤方法,获得最优特征子集。
(5)康奈尔大学的Ongun T设定一个长度为T的时间间隔,在这个时间间隔上,对通过所有连接节点的网络数据流的特征进行聚合,定义为节点间通信时间T内流量特征分布的平均值、标准差、中位数、最小值和最大值等,最终采用随机森林和梯度增强方法对网络流量进行安全分类。
(6)国家数字交换系统工程技术研究中心的许倩提出一种基于层次聚类的流量异常分类(Traffic Anomaly Classification Based on Hierarchical Clustering,TAC—HC)算法,通过训练已标记的异常流量构建分类树,利用特征属性的学习过程建立网络流量分类模型。
上述方案中,方案(1)和方案(2)分别截取了原始网络流量数据中每条数据流的前784B和前1024B并转成图像,作为网络流量特征的信息提取,并用CNN和LSTM网络学习特征,进而分类网络流量。这种方法网络流量特征只进行规定字节数量的截断处理,单纯地统计了网络流量样本特征,以上方法会造成信息量大的网络数据流量损失特征信息,信息量小的网络数据流量信息冗余,进而造成网络流量数据的不稳定性。
方案(3)利用特征选择系数来衡量特征和某种流量之间的相关性,如下:
其中,|ti|表示统计所有样本在特征ti上全部取值的个数,γinj表示流量种类j在特征ti上取第n个值的样本个数占流量种类j样本总数的比例。该方法中γinj的数值决定了特征选择系数的衡量往往倾向于多数类,这会造成少数类流量的最优特征损失。
方案(4)首先结合多种特征选择技术,得到初始特征子集,然后使用标准化熵确定稳定性特征,如下所示,获得稳定的特征子集。
其中X为随机变量类别,H(X)为X熵值,HMAX(X)为X的最大熵值。
该方法使用标准化熵度量特征稳定性,由信息熵计算方法可知该方法使用标准化熵度量特征稳定性,会造成小信息量流量数据样本的特征信息丧失。
方案(5)通过设定一个大小为T的时间窗口来对节点之间的流量特征进行聚合。该方法只对特定时间T内的网络流量特征进行统计,时间窗口T的设定将直接关系到特征选取的稳定性,造成非时间T内流量特征信息损失。
以上方案(3)-(5)均会造成网络流量特征信息不同程度的损失,从而导致分类准确率降低。
方案(6)首先通过训练已标记的网络流量样本构建层次分类树,利用特征属性的学习过程逐步建立分类模型,该方法只是对单一数据流样本聚类,忽视同类网络流量样本与样本之间的关联信息,且聚类类别数量未经优化选取,聚类效果不佳。
因此,需要对现有技术进行一定的创新与改进,达到提高网络流量安全分类的准确率的目的。
发明内容
本发明的目的在于提供一种基于特征自适应层次聚类的网络流量图像安全分类方法,以解现有技术所存在的上述问题,为网络安全分类模型提供特征差异性更加明显的网络流量图像数据集,进而提高网络流量安全分类的效果。
为解决上述技术问题,本发明的实施例提供如下方案:
一种基于特征自适应层次聚类的网络流量图像安全分类方法,包括以下步骤:
S1、输入原始网络流量数据,提取网络流量特征,为每条网络流量特征标注类别标签,得到原始网络流量特征数据集;
S2、读取所述原始网络流量特征数据集的前W列,记为矩阵AH×W,生成大小为H×W的网络流量图像,并将矩阵AH×W转置为矩阵A'W×H;
S3、基于自适应层次聚类算法优化选取聚类数量n_cluster,使得类间距离大于第一预设值,类内距离小于第二预设值;
S4、采用最优的n_cluster值对网络流量图像的特征进行聚类,得到对应的网络流量特征聚类结果;
S5、根据网络流量特征的类别标签重新排列网络流量特征,得到矩阵BW×H,并转置为矩阵B'H×W;
S6、分别对矩阵A'W×H和矩阵B'H×W进行按类别切割,生成原始网络流量切割图像和聚类网络流量切割图像,并标注类别标签;
S7、将原始网络流量切割图像放入原始数据集,将聚类网络流量切割图像放入切割数据集,并将原始数据集和切割数据集带入分类模型进行分类;
S8、对分类预测的准确率进行测试。
优选地,所述步骤S1具体包括:
输入原始网络流量pcap数据包,通过CICFlowMeter网络流量特征提取工具提取网络流量特征,对提取的网络流量特征进行规范化处理:为每条网络流量特征标注类别标签i,其中i=0、1、2、3、…,获得原始网络流量特征数据集Df。
优选地,所述步骤S2具体包括:
读取原始网络流量特征数据集Df前W列,记为矩阵AH×W,生成大小为H×W的网络流量图像,其中高度H代表网络数据流数量,宽度W代表网络流量特征数量,并将矩阵AH×W转置为矩阵A'W×H。
优选地,所述步骤S3具体包括:
基于自适应层次聚类算法,将网络流量图像特征的每一列设定为一类,计算两两之间的曼哈顿距离,当满足类间距离大于第一预设值且类内距离小于第二预设值时,则合并为一类,通过凝聚法层层合并,直至2n_cluster-1层停止,对相似的网络流量特征进行聚合。
优选地,所述步骤S3还包括:
利用类间类内距离比J和轮廓系数SC评估不同聚类数n_cluster下聚类模型的聚类效果,SC∈[-1,1],其中SC趋近于1时,聚类效果最好,此时对应的n_cluster值为最优。
优选地,所述步骤S6具体包括:
设定网络流量切割图像大小为H’×W,其中高度H’代表每个切割窗口包含网络数据流数量,宽度W代表网络流量特征数量;设定切割阈值为δ,从B'H×W的第一条数据的标签开始读取,每读取一个标签,相应的类别计数加一;当其中类别计数大于等于δ时,B'H×W矩阵相应窗口内数据转化为H’×W大小的图像,标注标签为i,循环上述操作直至读取到B'H×W最后一条数据,并对A'W×H进行同样操作。
优选地,所述步骤S7具体包括:
将对矩阵B'H×W切割后图像放入切割数据集Dc(i)中,将对矩阵A'W×H切割后图像放入原始数据集Do(i)中,并将Do(i)和Dc(i)带入分类模型进行分类。
优选地,所述步骤S8具体包括:
利用基于LeNet-5的CNN网络结构,通过卷积层提取网络流量特征图像有效特征,利用全连接层对网络流量特征进行分类,进一步调整卷积层参数,采用传统机器学习分类模型对聚类后网络流量图像数据集进行训练和测试,得到分类预测的准确率。
本发明实施例提供的技术方案带来的有益效果至少包括:
(1)本发明通过对网络流量的特征进行自适应层次聚类,将同类型特征聚合,强化了网络流量图像特征,加大不同种类网络流量之间的差异性,从而提高了网络流量安全分类的准确率。
(2)本发明采用自适应层次聚类的方法对网络流量特征进行自底而上的凝聚法聚类,具有一定的自适应性,并提出最优聚类数选取的方法,增强了流量特征图像聚类效果且优于其他聚类方法。
(3)本发明所生成的聚类的网络流量图像,不会造成网络流量特征信息的损失,并且保留了连续流量之间关联信息,为网络流量安全分类模型提供了更高质量的网络流量图像数据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于特征自适应层次聚类的网络流量图像安全分类方法的流程图;
图2a和图2b是本发明实施例提供的原始正常流量和恶意流量灰度图像示意图;
图3a和图3b是本发明实施例提供的聚类后正常流量和恶意流量灰度图像示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明的实施例提供了一种基于特征自适应层次聚类的网络流量图像安全分类方法,如图1所示,该方法包括以下步骤:
S1、输入原始网络流量数据,提取网络流量特征,为每条网络流量特征标注类别标签,得到原始网络流量特征数据集;
本步骤中,输入原始网络流量pcap数据包,通过CICFlowMeter网络流量特征提取工具提取网络流量特征,对提取的网络流量特征进行规范化处理:为每条网络流量特征标注类别标签i,其中i=0、1、2、3、…,获得原始网络流量特征数据集Df。
S2、读取所述原始网络流量特征数据集的前W列,记为矩阵AH×W,生成大小为H×W的网络流量图像,并将矩阵AH×W转置为矩阵A'W×H;
本步骤中,读取原始网络流量特征数据集Df前W列,记为矩阵AH×W,生成大小为H×W的网络流量图像,其中高度H代表网络数据流数量,宽度W代表网络流量特征数量,并将矩阵AH×W转置为矩阵A'W×H。
S3、基于自适应层次聚类算法优化选取聚类数量n_cluster,使得类间距离大于第一预设值,类内距离小于第二预设值;
n_cluster的选取直接关系到聚类效果的好坏,n_cluster的值设置过大,会导致分类结果趋于分散且不稳定,n_cluster的值设置过小,会导致分类效果不明显,因此需要通过自适应算法对n_cluster进行优化选取。
本步骤中,基于自适应层次聚类算法,将网络流量图像特征的每一列设定为一类,计算两两之间的曼哈顿距离,当满足类间距离大于第一预设值且类内距离小于第二预设值时,则合并为一类,通过凝聚法层层合并,直至层停止,对相似的网络流量特征进行聚合。
利用类间类内距离比J和轮廓系数SC评估不同聚类数n_cluster下聚类模型的聚类效果,SC∈[-1,1],其中SC趋近于1时,聚类效果最好,此时对应的n_cluster值为最优。
具体算法参考下表所示:
表1
S4、采用最优的n_cluster值对网络流量图像的特征进行聚类,得到对应的网络流量特征聚类结果;
S5、根据网络流量特征的类别标签重新排列网络流量特征,得到矩阵BW×H,并转置为矩阵B'H×W;
S6、分别对矩阵A'W×H和矩阵B'H×W进行按类别切割,生成原始网络流量切割图像和聚类网络流量切割图像,并标注类别标签;
本步骤中,设定网络流量切割图像大小为H’×W,其中高度H’代表每个切割窗口包含网络数据流数量,宽度W代表网络流量特征数量;设定切割阈值为δ,从B'H×W的第一条数据的标签开始读取,每读取一个标签,相应的类别计数加一;当其中类别计数大于等于δ时,B'H×W矩阵相应窗口内数据转化为H’×W大小的图像,标注标签为i,循环上述操作直至读取到B'H×W最后一条数据,并对A'W×H进行同样操作。
S7、将原始网络流量切割图像放入原始数据集,将聚类网络流量切割图像放入切割数据集,并将原始数据集和切割数据集带入分类模型进行分类;
本步骤中,将对矩阵B'H×W切割后图像放入切割数据集Dc(i)中,将对矩阵A'W×H切割后图像放入原始数据集Do(i)中,并将Do(i)和Dc(i)带入分类模型进行分类。
针对ISCX网络流量数据集,采用本发明所述方法得到正常流量、恶意流量的原始和聚类后的切割灰度图像集(每张图像的宽度为77,高度为10),如图2a-图2b、图3a-图3b所示。从图中可以直观看出,网络流量聚类后得到的灰度图像差异性更加明显,因此相较于原始流量图像,可以更加明显区分不同类别流量。
S8、对分类预测的准确率进行测试。
利用基于LeNet-5的CNN网络结构,通过卷积层提取网络流量特征图像有效特征,利用全连接层对网络流量特征进行分类,进一步调整卷积层参数,采用传统机器学习分类模型对原始网络流量图像数据集进行训练和测试,得到分类预测的准确率达到81.64%;对采用本发明方法得到的聚类后网络流量图像数据集进行训练和测试,分类预测准确率达到99.28%。因此,采用本发明提出的基于特征层次聚类的网络流量图像安全分类方法适用于网络流量安全分类。
本发明提出基于特征自适应层次聚类的网络流量图像安全分类方法,利用自适应层次聚类方法对网络流量特征进行聚类,生成聚类的图像在不损失网络流量特征信息的前提下,加强了流量特征之间的关联性,增加了网络流量相关特征的强度,从而提高了网络流量安全分类的准确性,对种类复杂多样的网络流量安全分类问题普遍适用。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于特征自适应层次聚类的网络流量图像安全分类方法,其特征在于,包括以下步骤:
S1、输入原始网络流量数据,提取网络流量特征,为每条网络流量特征标注类别标签,得到原始网络流量特征数据集;
S2、读取所述原始网络流量特征数据集的前W列,记为矩阵AH×W,生成大小为H×W的网络流量图像,并将矩阵AH×W转置为矩阵A'W×H;
S3、基于自适应层次聚类算法优化选取聚类数量n_cluster,使得类间距离大于第一预设值,类内距离小于第二预设值;
S4、采用最优的n_cluster值对网络流量图像的特征进行聚类,得到对应的网络流量特征聚类结果;
S5、根据网络流量特征的类别标签重新排列网络流量特征,得到矩阵BW×H,并转置为矩阵B'H×W;
S6、分别对矩阵A'W×H和矩阵B'H×W进行按类别切割,生成原始网络流量切割图像和聚类网络流量切割图像,并标注类别标签;
S7、将原始网络流量切割图像放入原始数据集,将聚类网络流量切割图像放入切割数据集,并将原始数据集和切割数据集带入分类模型进行分类;
S8、对分类预测的准确率进行测试。
2.根据权利要求1所述的基于特征自适应层次聚类的网络流量图像安全分类方法,其特征在于,所述步骤S1具体包括:
输入原始网络流量pcap数据包,通过CICFlowMeter网络流量特征提取工具提取网络流量特征,对提取的网络流量特征进行规范化处理:为每条网络流量特征标注类别标签i,其中i=0、1、2、3、…,获得原始网络流量特征数据集Df。
3.根据权利要求2所述的基于特征自适应层次聚类的网络流量图像安全分类方法,其特征在于,所述步骤S2具体包括:
读取原始网络流量特征数据集Df前W列,记为矩阵AH×W,生成大小为H×W的网络流量图像,其中高度H代表网络数据流数量,宽度W代表网络流量特征数量,并将矩阵AH×W转置为矩阵A'W×H。
4.根据权利要求3所述的基于特征自适应层次聚类的网络流量图像安全分类方法,其特征在于,所述步骤S3具体包括:
基于自适应层次聚类算法,将网络流量图像特征的每一列设定为一类,计算两两之间的曼哈顿距离,当满足类间距离大于第一预设值且类内距离小于第二预设值时,则合并为一类,通过凝聚法层层合并,直至2n_cluster-1层停止,对相似的网络流量特征进行聚合。
5.根据权利要求4所述的基于特征自适应层次聚类的网络流量图像安全分类方法,其特征在于,所述步骤S3还包括:
利用类间类内距离比J和轮廓系数SC评估不同聚类数n_cluster下聚类模型的聚类效果,SC∈[-1,1],其中SC趋近于1时,聚类效果最好,此时对应的n_cluster值为最优。
6.根据权利要求5所述的基于特征自适应层次聚类的网络流量图像安全分类方法,其特征在于,所述步骤S6具体包括:
设定网络流量切割图像大小为H’×W,其中高度H’代表每个切割窗口包含网络数据流数量,宽度W代表网络流量特征数量;设定切割阈值为δ,从B'H×W的第一条数据的标签开始读取,每读取一个标签,相应的类别计数加一;当其中类别计数大于等于δ时,B'H×W矩阵相应窗口内数据转化为H’×W大小的图像,标注标签为i,循环上述操作直至读取到B'H×W最后一条数据,并对A'W×H进行同样操作。
7.根据权利要求6所述的基于特征自适应层次聚类的网络流量图像安全分类方法,其特征在于,所述步骤S7具体包括:
将对矩阵B'H×W切割后图像放入切割数据集Dc(i)中,将对矩阵A'W×H切割后图像放入原始数据集Do(i)中,并将Do(i)和Dc(i)带入分类模型进行分类。
8.根据权利要求7所述的基于特征自适应层次聚类的网络流量图像安全分类方法,其特征在于,所述步骤S8具体包括:
利用基于LeNet-5的CNN网络结构,通过卷积层提取网络流量特征图像有效特征,利用全连接层对网络流量特征进行分类,进一步调整卷积层参数,采用机器学习分类模型对聚类后网络流量图像数据集进行训练和测试,得到分类预测的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015140.6A CN112688961B (zh) | 2021-01-06 | 2021-01-06 | 基于特征自适应层次聚类的网络流量图像安全分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015140.6A CN112688961B (zh) | 2021-01-06 | 2021-01-06 | 基于特征自适应层次聚类的网络流量图像安全分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112688961A true CN112688961A (zh) | 2021-04-20 |
CN112688961B CN112688961B (zh) | 2021-09-21 |
Family
ID=75456123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110015140.6A Active CN112688961B (zh) | 2021-01-06 | 2021-01-06 | 基于特征自适应层次聚类的网络流量图像安全分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112688961B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107070943A (zh) * | 2017-05-05 | 2017-08-18 | 兰州理工大学 | 基于流量特征图和感知哈希的工业互联网入侵检测方法 |
US20180114094A1 (en) * | 2016-10-26 | 2018-04-26 | Freescale Semiconductor, Inc. | Method and apparatus for data set classification based on generator features |
CN110768864A (zh) * | 2019-10-16 | 2020-02-07 | 北京科技大学 | 一种网络流量批量生成图像的方法及装置 |
CN110830435A (zh) * | 2019-08-27 | 2020-02-21 | 国家电网有限公司信息通信分公司 | 一种网络流量时空特征提取和异常检测的方法及装置 |
CN111031071A (zh) * | 2019-12-30 | 2020-04-17 | 杭州迪普科技股份有限公司 | 恶意流量的识别方法、装置、计算机设备及存储介质 |
CN111275052A (zh) * | 2020-01-13 | 2020-06-12 | 南京林业大学 | 基于多层次聚合特征提取与融合的点云分类方法 |
CN111340191A (zh) * | 2020-02-27 | 2020-06-26 | 福州大学 | 基于集成学习的僵尸网络恶意流量分类方法及系统 |
CN111565156A (zh) * | 2020-04-27 | 2020-08-21 | 南京烽火星空通信发展有限公司 | 一种对网络流量识别分类的方法 |
-
2021
- 2021-01-06 CN CN202110015140.6A patent/CN112688961B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180114094A1 (en) * | 2016-10-26 | 2018-04-26 | Freescale Semiconductor, Inc. | Method and apparatus for data set classification based on generator features |
CN107070943A (zh) * | 2017-05-05 | 2017-08-18 | 兰州理工大学 | 基于流量特征图和感知哈希的工业互联网入侵检测方法 |
CN110830435A (zh) * | 2019-08-27 | 2020-02-21 | 国家电网有限公司信息通信分公司 | 一种网络流量时空特征提取和异常检测的方法及装置 |
CN110768864A (zh) * | 2019-10-16 | 2020-02-07 | 北京科技大学 | 一种网络流量批量生成图像的方法及装置 |
CN111031071A (zh) * | 2019-12-30 | 2020-04-17 | 杭州迪普科技股份有限公司 | 恶意流量的识别方法、装置、计算机设备及存储介质 |
CN111275052A (zh) * | 2020-01-13 | 2020-06-12 | 南京林业大学 | 基于多层次聚合特征提取与融合的点云分类方法 |
CN111340191A (zh) * | 2020-02-27 | 2020-06-26 | 福州大学 | 基于集成学习的僵尸网络恶意流量分类方法及系统 |
CN111565156A (zh) * | 2020-04-27 | 2020-08-21 | 南京烽火星空通信发展有限公司 | 一种对网络流量识别分类的方法 |
Non-Patent Citations (1)
Title |
---|
蹇诗婕等: "基于层次聚类方法的流量异常检测", 《信息安全研究》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112688961B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019179403A1 (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
CN108229550B (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
CN110222218B (zh) | 基于多尺度NetVLAD和深度哈希的图像检索方法 | |
WO2022257436A1 (zh) | 基于无线通信网络数据仓库构建方法、系统、设备及介质 | |
CN109639739A (zh) | 一种基于自动编码器网络的异常流量检测方法 | |
CN108921285B (zh) | 基于双向门控循环神经网络的电能质量扰动的分类方法 | |
CN106845640A (zh) | 基于深度卷积神经网络的层内非均匀的等间隔定点量化方法 | |
WO2022134794A1 (zh) | 新闻事件的舆情处理方法及装置、存储介质、计算机设备 | |
CN106897734A (zh) | 基于深度卷积神经网络的层内非均匀的k平均聚类定点量化方法 | |
CN106339719A (zh) | 一种图像识别方法及装置 | |
CN111314353A (zh) | 一种基于混合采样的网络入侵检测方法及系统 | |
CN107947921A (zh) | 基于递归神经网络和概率上下文无关文法的密码生成系统 | |
CN111464881B (zh) | 基于自优化机制的全卷积视频描述生成方法 | |
CN110134719A (zh) | 一种结构化数据敏感属性的识别与分类分级方法 | |
CN110225001A (zh) | 一种基于主题模型的动态自更新网络流量分类方法 | |
CN107908642A (zh) | 基于分布式平台的行业文本实体提取方法 | |
CN114330469A (zh) | 一种快速、准确的加密流量分类方法及系统 | |
CN106778834A (zh) | 一种基于距离测度学习的ap聚类图像标注方法 | |
CN109711442A (zh) | 无监督逐层生成对抗特征表示学习方法 | |
CN115037543A (zh) | 一种基于双向时间卷积神经网络的异常网络流量检测方法 | |
CN112784031A (zh) | 一种基于小样本学习的客服对话文本的分类方法和系统 | |
CN112688961B (zh) | 基于特征自适应层次聚类的网络流量图像安全分类方法 | |
CN114500396A (zh) | 区分匿名Tor应用流量的MFD色谱特征提取方法及系统 | |
CN108494620B (zh) | 一种网络业务流特征选择与分类方法 | |
CN106295688B (zh) | 一种基于稀疏均值的模糊聚类方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220107 Address after: 908, block a, floor 8, No. 116, Zizhuyuan Road, Haidian District, Beijing 100089 Patentee after: ZHONGZI DATA CO.,LTD. Patentee after: China Highway Engineering Consulting Group Co., Ltd. Address before: 100083 No. 30, Haidian District, Beijing, Xueyuan Road Patentee before: University OF SCIENCE AND TECHNOLOGY BEIJING |
|
TR01 | Transfer of patent right |