CN113726561A - 利用联邦学习训练卷积神经网络的业务类型识别方法 - Google Patents

利用联邦学习训练卷积神经网络的业务类型识别方法 Download PDF

Info

Publication number
CN113726561A
CN113726561A CN202110949103.2A CN202110949103A CN113726561A CN 113726561 A CN113726561 A CN 113726561A CN 202110949103 A CN202110949103 A CN 202110949103A CN 113726561 A CN113726561 A CN 113726561A
Authority
CN
China
Prior art keywords
convolutional neural
edge server
neural network
service
data packet
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.)
Pending
Application number
CN202110949103.2A
Other languages
English (en)
Inventor
赵力强
王佳妮
梁凯
王哲
朱曼华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202110949103.2A priority Critical patent/CN113726561A/zh
Publication of CN113726561A publication Critical patent/CN113726561A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种利用联邦学习训练卷积神经网络的业务类型识别方法，其实现步骤为：(1)生成每个边缘服务器的训练集；(2)构建一个卷积神经网络；(3)对卷积神经网络利用联邦学习进行协同训练；(4)预测每个边缘服务器的业务类型。本发明采用联邦学习，在云服务器和边缘服务器中协同训练卷积神经网络，用于对每个边缘服务器抓取的网络流量进行业务类型的识别，保护了用户的隐私数据，扩大了每个边缘服务器的卷积神经网络可预测的业务类型的范围。

Description

利用联邦学习训练卷积神经网络的业务类型识别方法
技术领域
本发明属于通信技术领域，更进一步涉及网络通信技术领域中的一种利用联邦学习训练卷积神经网络的业务类型识别方法。本发明可用于云服务器和边缘服务器协同工作的环境中，在保证用户隐私的前提下可以对较多的业务类型进行识别，为面向服务进行资源分配和定制化的划分网络切片等技术提供重要依据。
背景技术
第五代移动通信网络5G(the fifth generation)中新兴业务的出现，使得网络中的需求急剧增加。业务识别技术对于扩展网络功能，实现网络的精细化管控具有重要的意义。传统的业务识别在特征选择与获取过程中需要消耗研究者大量的时间和精力，并且特征获取的过程可能造成信息熵的损失，从而影响识别精度。而基于机器学习的业务识别在提取数据中的关键信息，构建数据集时需要将用户的私有数据直接收集到云服务器或者收集到边缘服务器后再上传到云服务器中，然后借助云服务器充足的计算资源训练模型。这不仅使得个人信息存在泄露的潜在风险，而且训练的模型只能预测云服务器中训练集具有的业务类型，可预测的业务类型较少。因此，在云服务器和边缘服务器中协同训练模型时需要对用户的隐私进行保护，同时也需要增加模型可以识别的业务种类，而联邦学习为此提供了便捷的条件和保障。
上海汉澄电子设备有限公司在其申请的专利文献“一种基于深度学习方法和DFI的VPN隧道流量识别方法”(申请号201910087208.4，申请公布号CN111490945A)中公开了一种面向VPN隧道流量的业务识别方法。该方法的具体步骤为：第一步，从数据包中识别应用程序与VPN客户端之间的连接标识信息；第二步，将所述识别信息与对应程序进行验证，验证通过则创建网络接口，验证不通过则断开应用程序与VPN客户端的连接；第三步，从数据包中获取网络流量协议，并基于该协议抽取并选择合适的数据包特征值，如提取数据包头信息和统计信息；第四步，构建卷积神经网络；第五步，流量识别模块获取流量的业务识别信息，并按照控制策略配制样本模块，并按照流量控制策略控制DFI识别单元对网络流量进行识别。该发明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。但是，该方法仍然存在的不足之处是：业务识别模型训练的过程中直接将数据包上传到云服务器或边缘服务器，数据包完全暴露在整个网络环境中，会泄漏用户隐私。
信阳农林学院在其申请的专利文献“一种基于深度学习的网络加密流量识别方法、装置及设备”(申请号202110439430.3，申请公布号CN 113132397 A)中公开一种基于深度学习的网络加密业务识别方法。该方法的步骤包括如下：第一步，对移动流量数据进行预处理操作，得到预处理数据；第二步，对所述预处理数据进行数据归一化处理，对数据归一化处理后的数据进行卷积操作，采用线性流函数作为激活函数对得到的卷积结果计算，并对得到的计算结果进行分类，得到分类结果。该发明能够对移动流量、以及加密的流量进行业务识别，处理速度快、分类结果精度高。但是，该方法仍然存在的不足之处是：训练好的模型只能预测单个服务器中训练集具有的业务类型，可预测的业务类型较少。
发明内容
本发明的目的在于针对上述已有技术的不足，提供一种利用联邦学习训练卷积神经网络的业务类型识别方法，用于解决现有业务类型识别方法中将训练集上传到云服务器或边缘服务器中对卷积神经网络进行训练，识别过程直接对网络中的数据包进行解析，存在数据包被泄漏的风险，可以识别的业务类型局限于训练模型时使用的训练集中业务的类型，能够识别的业务类型较少的问题。
实现本发明目的的思路是：在云服务器中构建一个卷积神经网络并下发给每个边缘服务器，学习每个边缘服务器训练集中不同业务类型的特征，通过在云服务器中求取所有边缘服务器的卷积神经网络梯度的平均值的方式，将所有卷积神经网络的特征进行聚合，再将该平均值下发给每个边缘服务器，使每个边缘服务器中的卷积神经网络除具有自身训练集中的业务类型的特征外，也具有其他边缘服务器训练集中的业务类型特征，扩大了每个边缘服务器中的卷积神经网络可预测的业务类型，训练过程只向云服务器中上传了所有卷积神经网络的梯度，并未将用户的数据暴露在整个网络中，可以保护用户数据的隐私。
为实现上述目的，本发明具体实现步骤包括如下：
步骤1，生成每个边缘服务器的训练集：
(1a)每个边缘服务器抓取其不少于1分钟，业务类型不少于3种，每种业务数据包总量不少于100000个的网络数据流量组成该边缘服务器的数据集；
(1b)对每个边缘服务器的数据集中每种类型业务的数据包进行预处理，将生成该边缘服务器同种类型业务不少于3000张的带有标签的图像组成训练集；
步骤2，构建一个卷积神经网络：
(2a)搭建一个七层的卷积神经网络，其结构依次为：输入层，第一卷积层，第一池化层，第二卷积层，第二池化层，第一全连接层，第二全连接层；
(2b)将输入层神经元的个数设置为32×32，第一、第二卷积层的卷积核分别设置为5×5，3×3，卷积核个数均为64，滑动步长均为1，第一、第二池化层的池化窗口尺寸均为2×2，滑动步长均为2，激活函数均为ReLU，第一全连接层输出神经元的个数为64×64，激活函数为Sigmoid，第二全连接层输出神经元的个数与训练集中已知业务类型数目相同，激活函数分别为Softmax；
步骤3，对卷积神经网络利用联邦学习进行协同训练：
(3a)云服务器向每个边缘服务器下发一个卷积神经网络；
(3b)将每个训练集输入到其对应的边缘服务器中，使用Adam梯度优化算法，计算每个边缘服务器的卷积神经网络迭代更新5次后的梯度，并将迭代终止后的所有不同特征的卷积神经网络的梯度上传到云服务器；
(3c)云服务器对其接收的所有具有不同特征的卷积神经网络的梯度取平均值，再将该平均值下发给每个边缘服务器；
(3d)判断每个边缘服务器的用平均值更新该卷积神经网络参数后的交叉熵损失函数是否收敛；若是，则得到该边缘服务器训练好的卷积神经网络后执行步骤4，否则，执行步骤(3b)；
步骤4，预测每个边缘服务器的业务类型：
(4a)对每个不少于3种业务的待预测边缘服务器，采用与步骤(1b)相同的预处理方法，得到每个待预测边缘服务器的带有标签的至少500张图像；
(4b)将每个待预测边缘服务器的所有图像输入到该训练好的边缘服务器的卷积神经网络中，每个待预测边缘服务器的卷积神经网络输出预测的业务识别结果。
本发明与现有技术相比具有如下优点：
第一，本发明构建了卷积神经网络并利用联邦学习对该网络进行协同训练，克服了现有技术中业务识别模型训练的过程中直接将数据包上传到云服务器或边缘服务器，数据包完全暴露在整个网络环境中，会泄漏用户隐私的缺点，使得本发明在对业务类型进行识别的过程中保护了用户数据的隐私。
第二，由于本发明利用云服务器和边缘服务器协同训练好的卷积神经网络，预测每个边缘服务器的业务类型，克服了现有技术中训练好的模型只能预测单个服务器中训练集具有的业务类型，可预测的业务类型较少的缺点，使得本发明的每个边缘服务器中的卷积神经网络除预测自身训练集中的业务类型外，也可以预测其他边缘服务器训练集中的业务类型，扩大了每个边缘服务器的卷积神经网络可预测的业务类型的范围。
附图说明
图1为本发明的流程图。
具体实施方式
以下结合附图1对本发明的实现步骤做进一步的描述。
步骤1，生成每个边缘服务器的训练集。
每个边缘服务器抓取其不少于1分钟，业务类型不少于3种，每种业务数据包总量不少于100000个的网络数据流量组成该边缘服务器的数据集。
对每个边缘服务器的数据集中每种类型业务的数据包进行预处理，将生成该边缘服务器同种类型业务不少于3000张的带有标签的图像组成训练集。
所述生成同种类型业务不少于3000张的带有标签的图像具体步骤如下：
第1步，截断/补零：提取数据集中每种业务的每个数据包的32个字节，若每个数据包中的字节数超过32字节时，随机截取数据包中连续的32个字节，若数据包中字节数少于32时，在数据包的前后两边分别对称补零，直到数据包字节长度达到32。
第2步，将同种类型业务的数据包组成一个m×n的矩阵，其中m表示截断或补零后数据包的字节数，n表示同一类型业务中选取的截断或补零后数据包的个数，设置为32。
第3步，将每个矩阵进行归一化处理后再转换成图像，生成同种类型业务不少于3000张的图像，对每张图像按其所属业务类型打标签。
步骤2，构建一个卷积神经网络。
搭建一个七层的卷积神经网络，其结构依次为：输入层，第一卷积层，第一池化层，第二卷积层，第二池化层，第一全连接层，第二全连接层。
将输入层神经元的个数设置为32×32，第一、第二卷积层的卷积核分别设置为5×5，3×3，卷积核个数均为64，滑动步长均为1，第一、第二池化层的池化窗口尺寸均为2×2，滑动步长均为2，激活函数均为ReLU，第一全连接层输出神经元的个数为64×64，激活函数为Sigmoid，第二全连接层输出神经元的个数与训练集中已知业务类型数目相同，激活函数分别为Softmax。
步骤3，对卷积神经网络利用联邦学习进行协同训练。
第1步，云服务器向每个边缘服务器下发一个卷积神经网络。
第2步，将每个训练集输入到其对应的边缘服务器中，使用Adam梯度优化算法，计算每个边缘服务器的卷积神经网络迭代更新5次后的梯度，并将迭代终止后的所有不同特征的卷积神经网络的梯度上传到云服务器。
第3步，云服务器对其接收的所有具有不同特征的卷积神经网络的梯度取平均值，再将该平均值下发给每个边缘服务器。
第4步，判断每个边缘服务器的用平均值更新该卷积神经网络参数后的交叉熵损失函数是否收敛；若是，则得到该边缘服务器训练好的卷积神经网络后执行步骤4，否则，执行本步骤的第2步。
步骤4，预测每个边缘服务器的业务类型。
对每个不少于3种业务的待预测边缘服务器，抓取每个待预测边缘服务器的数据集中每种类型业务的数据包进行预处理，得到每个待预测边缘服务器的带有标签的至少500张图像。
将每个待预测边缘服务器的所有图像输入到该训练好的边缘服务器的卷积神经网络中，每个待预测边缘服务器的卷积神经网络输出预测的业务识别结果。
对每个待预测边缘服务器的数据集中每种类型业务的数据包进行预处理，生成该边缘服务器同种类型业务不少于500张的带有标签的图像。
所述生成同种类型业务不少于500张的带有标签的图像具体步骤如下：
第1步，截断/补零：提取数据集中每种业务的每个数据包的32个字节，若每个数据包中的字节数超过32字节时，随机截取数据包中连续的32个字节，若数据包中字节数少于32时，在数据包的前后两边分别对称补零，直到数据包字节长度达到32。
第2步，将同种类型业务的数据包组成一个m×n的矩阵，其中m表示截断或补零后数据包的字节数，n表示同一类型业务中选取的截断或补零后数据包的个数，设置为32。
第3步，将每个矩阵进行归一化处理后再转换成图像，生成同种类型业务不少于500张的图像，对每张图像按其所属业务类型打标签。
下面结合仿真实验对本发明的效果做进一步的说明：
1.仿真实验条件：
本发明仿真实验的硬件平台为：一个云服务器，处理器为Intel Xeon E5-2620v3，主频为2.4GHz，内存16GB。三个边缘服务器，处理器为AMD A8-5545M，主频为1.7GHz，内存8GB。
本发明仿真实验的软件平台为：Ubuntu 16.04LTS，64位操作系统、python3.7、TensorFlow深度学习框架以及Wireshark网络封包分析软件。
2.仿真实验内容及其结果分：
本发明仿真实验是采用本发明和一个现有技术(二维卷积神经网络分类方法)分别对具有五种业务类型的数据集进行识别，获得五种网络流量数据文件的识别结果。
在仿真实验中，采用的二维卷积神经网络分类方法是指：
王佳妮,王云峰,夏振飞,赵力强等人在其发表的论文“基于卷积神经网络的业务识别”([J]无线电通信技术,2021,47(02):149-153.)中提出的基于二维卷积神经网络的业务识别方法，简称二维卷积神经网络识别方法。
为了验证本发明仿真实验的效果，下面利用两个评价指标(每个卷积神经网络可识别的业务种类数、每个分类的识别精度)分别对两种方法的训练好的卷积神经网络进行评价。
本发明仿真实验中第一边缘服务器所使用的数据集包含视频、在线游戏、网页三种网络流量数据文件，第二边缘服务器所使用的数据集包含在线游戏、网页、邮件三种网络流量数据文件，第三边缘服务器所使用的数据集包含网页、邮件、文件传输三种网络流量数据文件。三个边缘服务器的数据集总共包含五种网络流量数据文件，网络流量文件格式均为pcap格式。
表1.仿真实验中本发明和现有技术中卷积神经网络的业务识别种类数分析表
Figure BDA0003217973100000071
表2.仿真实验中本发明和现有技术的训练好的卷积神经网络精度对比表
Figure BDA0003217973100000072
从表1可以看出，本发明的每个边缘服务器中训练好的卷积神经网络均具有识别五种业务类型的能力，证明了本发明每个边缘服务器可以在训练集所具有的业务种类的基础上扩大所能预测的业务识别类型的范围。
从表2可以看出，本发明的业务识别精度与现有技术方法的业务识别精度基本一样，在保证业务识别精度的同时，有效保护了用户的数据隐私。
以上仿真实验表明：本发明方法使用云服务器和边缘服务器协同训练卷积神经网络，解决了现有技术中业务识别模型可预测的业务类型较少，训练过程存在数据包泄露的问题，是一种更为实用的业务种类识别方法。

Claims (2)

1.一种利用联邦学习训练卷积神经网络的业务类型识别方法，其特征在于，对构建的卷积神经网络，利用联邦学习在云服务器和边缘服务器中进行训练；该方法的具体步骤包括如下：
步骤1，生成每个边缘服务器的训练集：
(1a)每个边缘服务器抓取其不少于1分钟，业务类型不少于3种，每种业务数据包总量不少于100000个的网络数据流量组成该边缘服务器的数据集；
(1b)对每个边缘服务器的数据集中每种类型业务的数据包进行预处理，将生成该边缘服务器同种类型业务不少于3000张的带有标签的图像组成训练集；
步骤2，构建一个卷积神经网络：
(2a)搭建一个七层的卷积神经网络，其结构依次为：输入层，第一卷积层，第一池化层，第二卷积层，第二池化层，第一全连接层，第二全连接层；
(2b)将输入层神经元的个数设置为32×32，第一、第二卷积层的卷积核分别设置为5×5，3×3，卷积核个数均为64，滑动步长均为1，第一、第二池化层的池化窗口尺寸均为2×2，滑动步长均为2，激活函数均为ReLU，第一全连接层输出神经元的个数为64×64，激活函数为Sigmoid，第二全连接层输出神经元的个数与训练集中已知业务类型数目相同，激活函数分别为Softmax；
步骤3，对卷积神经网络利用联邦学习进行协同训练：
(3a)云服务器向每个边缘服务器下发一个卷积神经网络；
(3b)将每个训练集输入到其对应的边缘服务器中，使用Adam梯度优化算法，计算每个边缘服务器的卷积神经网络迭代更新5次后的梯度，并将迭代终止后的所有不同特征的卷积神经网络的梯度上传到云服务器；
(3c)云服务器对其接收的所有具有不同特征的卷积神经网络的梯度取平均值，再将该平均值下发给每个边缘服务器；
(3d)判断每个边缘服务器的用平均值更新该卷积神经网络参数后的交叉熵损失函数是否收敛；若是，则得到该边缘服务器训练好的卷积神经网络后执行步骤4，否则，执行步骤(3b)；
步骤4，预测每个边缘服务器的业务类型：
(4a)对每个不少于3种业务的待预测边缘服务器，采用与步骤(1b)相同的预处理方法，得到每个待预测边缘服务器的带有标签的至少500张图像；
(4b)将每个待预测边缘服务器的所有图像输入到该训练好的边缘服务器的卷积神经网络中，每个待预测边缘服务器的卷积神经网络输出预测的业务识别结果。
2.根据权利要求1所述的利用联邦学习训练卷积神经网络的业务类型识别方法，其特征在于，步骤(1b)中所述生成同种类型业务不少于3000张的带有标签的图像具体步骤如下：
第一步，截断/补零：提取数据集中每种业务的每个数据包的32个字节，若每个数据包中的字节数超过32字节时，随机截取数据包中连续的32个字节，若数据包中字节数少于32时，在数据包的前后两边分别对称补零，直到数据包字节长度达到32；
第二步，将同种类型业务的数据包组成一个m×n的矩阵，其中m表示截断或补零后数据包的字节数，n表示同一类型业务中选取的截断或补零后数据包的个数，设置为32；
第三步，将每个矩阵进行归一化处理后再转换成图像，生成同种类型业务不少于3000张的图像，对每张图像按其所属业务类型打标签。
CN202110949103.2A 2021-08-18 2021-08-18 利用联邦学习训练卷积神经网络的业务类型识别方法 Pending CN113726561A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110949103.2A CN113726561A (zh) 2021-08-18 2021-08-18 利用联邦学习训练卷积神经网络的业务类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110949103.2A CN113726561A (zh) 2021-08-18 2021-08-18 利用联邦学习训练卷积神经网络的业务类型识别方法

Publications (1)

Publication Number Publication Date
CN113726561A true CN113726561A (zh) 2021-11-30

Family

ID=78676736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110949103.2A Pending CN113726561A (zh) 2021-08-18 2021-08-18 利用联邦学习训练卷积神经网络的业务类型识别方法

Country Status (1)

Country Link
CN (1) CN113726561A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114265631A (zh) * 2021-12-09 2022-04-01 浙江工业大学 一种基于联邦元学习的移动边缘计算智能卸载方法及装置
CN117294757A (zh) * 2023-11-27 2023-12-26 山东省计算中心（国家超级计算济南中心） 基于区块链的复杂业务拆分执行方法、系统、设备及介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111490945A (zh) * 2019-01-29 2020-08-04 上海汉澄电子设备有限公司 一种基于深度学习方法和dfi的vpn隧道流量识别方法
CN111860832A (zh) * 2020-07-01 2020-10-30 广州大学 一种基于联邦学习的增强神经网络防御能力的方法
CN112804107A (zh) * 2021-01-28 2021-05-14 南京邮电大学 一种物联网设备能耗自适应控制的分层联邦学习方法
KR20210066754A (ko) * 2019-11-28 2021-06-07 경희대학교 산학협력단 연합 학습을 활용한 사용자 특성 분석을 위한 딥 러닝 모델 생성 방법
CN112949837A (zh) * 2021-04-13 2021-06-11 中国人民武装警察部队警官学院 一种基于可信网络的目标识别联邦深度学习方法
CN113052333A (zh) * 2021-04-02 2021-06-29 中国科学院计算技术研究所 基于联邦学习进行数据分析的方法及系统
CN113077060A (zh) * 2021-03-30 2021-07-06 中国科学院计算技术研究所 针对边云协同的联邦学习系统及方法
CN113132397A (zh) * 2021-04-23 2021-07-16 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
CN113128701A (zh) * 2021-04-07 2021-07-16 中国科学院计算技术研究所 面向样本稀疏性的联邦学习方法及系统
CN113179244A (zh) * 2021-03-10 2021-07-27 上海大学 一种面向工业互联网边界安全的联邦深度网络行为特征建模方法
CN113258935A (zh) * 2021-05-25 2021-08-13 山东大学 一种联邦学习中基于模型权值分布的通信压缩方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111490945A (zh) * 2019-01-29 2020-08-04 上海汉澄电子设备有限公司 一种基于深度学习方法和dfi的vpn隧道流量识别方法
KR20210066754A (ko) * 2019-11-28 2021-06-07 경희대학교 산학협력단 연합 학습을 활용한 사용자 특성 분석을 위한 딥 러닝 모델 생성 방법
CN111860832A (zh) * 2020-07-01 2020-10-30 广州大学 一种基于联邦学习的增强神经网络防御能力的方法
CN112804107A (zh) * 2021-01-28 2021-05-14 南京邮电大学 一种物联网设备能耗自适应控制的分层联邦学习方法
CN113179244A (zh) * 2021-03-10 2021-07-27 上海大学 一种面向工业互联网边界安全的联邦深度网络行为特征建模方法
CN113077060A (zh) * 2021-03-30 2021-07-06 中国科学院计算技术研究所 针对边云协同的联邦学习系统及方法
CN113052333A (zh) * 2021-04-02 2021-06-29 中国科学院计算技术研究所 基于联邦学习进行数据分析的方法及系统
CN113128701A (zh) * 2021-04-07 2021-07-16 中国科学院计算技术研究所 面向样本稀疏性的联邦学习方法及系统
CN112949837A (zh) * 2021-04-13 2021-06-11 中国人民武装警察部队警官学院 一种基于可信网络的目标识别联邦深度学习方法
CN113132397A (zh) * 2021-04-23 2021-07-16 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
CN113258935A (zh) * 2021-05-25 2021-08-13 山东大学 一种联邦学习中基于模型权值分布的通信压缩方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周俊等: "联邦学习安全与隐私保护研究综述", 《西华大学学报(自然科学版)》 *
王佳妮，王云峰，夏振飞，赵力强: "基于卷积神经网络的业务识别", 《无线电通信技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114265631A (zh) * 2021-12-09 2022-04-01 浙江工业大学 一种基于联邦元学习的移动边缘计算智能卸载方法及装置
CN114265631B (zh) * 2021-12-09 2024-04-05 浙江工业大学 一种基于联邦元学习的移动边缘计算智能卸载方法及装置
CN117294757A (zh) * 2023-11-27 2023-12-26 山东省计算中心（国家超级计算济南中心） 基于区块链的复杂业务拆分执行方法、系统、设备及介质
CN117294757B (zh) * 2023-11-27 2024-02-20 山东省计算中心（国家超级计算济南中心） 基于区块链的复杂业务拆分执行方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
WO2022041394A1 (zh) 一种网络加密流量识别方法及装置
CN110012029B (zh) 一种区分加密和非加密压缩流量的方法和系统
Guo et al. Deep learning-based real-time VPN encrypted traffic identification methods
CN109639481A (zh) 一种基于深度学习的网络流量分类方法、系统及电子设备
CN105871832A (zh) 一种基于协议属性的网络应用加密流量识别方法及其装置
CN113726561A (zh) 利用联邦学习训练卷积神经网络的业务类型识别方法
CN111565156B (zh) 一种对网络流量识别分类的方法
CN113989583A (zh) 一种互联网恶意流量检测方法及系统
CN112367273B (zh) 基于知识蒸馏的深度神经网络模型的流量分类方法及装置
Lingyu et al. A hierarchical classification approach for tor anonymous traffic
CN105447147A (zh) 一种数据处理方法及装置
CN114257428B (zh) 一种基于深度学习的加密网络流量识别及分类方法
CN110417729A (zh) 一种加密流量的服务与应用分类方法及系统
CN109299742A (zh) 自动发现未知网络流的方法、装置、设备及存储介质
CN108462707A (zh) 一种基于深度学习序列分析的移动应用识别方法
CN112217763A (zh) 一种基于机器学习的隐蔽tls通信流检测方法
CN110222795A (zh) 基于卷积神经网络的p2p流量的识别方法及相关装置
Hejun et al. Encrypted network behaviors identification based on dynamic time warping and k-nearest neighbor
CN113364787A (zh) 一种基于并联神经网络的僵尸网络流量检测方法
CN113283498A (zh) 一种面向高速网络的vpn流量快速识别方法
CN114362988B (zh) 网络流量的识别方法及装置
Tong et al. BFSN: a novel method of encrypted traffic classification based on bidirectional flow sequence network
Liang et al. FECC: DNS tunnel detection model based on CNN and clustering
CN111209959B (zh) 基于数据包时序的加密网页流量分割点识别方法
CN111835720B (zh) 基于特征增强的vpn流量web指纹识别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211130

RJ01 Rejection of invention patent application after publication