CN114915575B - 一种基于人工智能的网络流量检测装置 - Google Patents

一种基于人工智能的网络流量检测装置 Download PDF

Info

Publication number
CN114915575B
CN114915575B CN202210624678.1A CN202210624678A CN114915575B CN 114915575 B CN114915575 B CN 114915575B CN 202210624678 A CN202210624678 A CN 202210624678A CN 114915575 B CN114915575 B CN 114915575B
Authority
CN
China
Prior art keywords
module
network
layer
feature
data
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
Application number
CN202210624678.1A
Other languages
English (en)
Other versions
CN114915575A (zh
Inventor
李建平
胡健
顾小丰
陈强强
苏辰
周越
肖飞
高源�
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210624678.1A priority Critical patent/CN114915575B/zh
Publication of CN114915575A publication Critical patent/CN114915575A/zh
Application granted granted Critical
Publication of CN114915575B publication Critical patent/CN114915575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • 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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/10—Active monitoring, e.g. heartbeat, ping or trace-route
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate

Landscapes

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

Abstract

本发明公开了一种基于人工智能的网络流量检测装置，属于网络空间安全和计算机深度学习领域。本发明装置先通过特征提取模块中的卷积神经网络提取空间特征、循环神经网络提序列特征，然后通过特征融合模块对提取的空间特征和序列特征进行融合得到新的特征集输出至分类器模块完成网络流量分类。相较于传统基于机器学习的网络流量分类，本发明新特征集中包含有更多的网络流量特征，且融合得到新特征集的过程中通过注意力机制的使用，对各项特征进行了合理分配，有效提升了分类准确率。

Description

一种基于人工智能的网络流量检测装置
技术领域
本发明涉及网络空间安全和计算机深度学习领域，尤其涉及一种基于人工智能的网络流量检测装置。
背景技术
作为实现众多网络服务的基本任务，网络流量分类一直是学术领域和工程领域研究的重点。基于网络流量检测的应用主要包括以下几个方面：一是通过分析网络内部用户网络访问情况，建设合适的网络互联方式和互联地点，节约互联链路费用；二是对网络流量的监控，可以分析主要流量的去向，搜集并投放用户感兴趣的网络信息，减轻互联链路的压力；三是通过网络流量监控，可以了解网络占用带宽情况，并进行网络带宽的成本分析，优化服务与运营成本关系；四是有助于网管人员了解网络的流量模型，帮助网管人员正确分析网络当前环境，可及时对网络进行预警并发布防范措施，提升网络的整体质量及效能；五是通过对网络内流量的实时分析，有助于及时发现网络中出现的异常流量，迅速分析出异常流量的具体属性并采取相应应急措施处理；六是通过流量分析，可以为多出口的流量负载均衡、重要链路的带宽设置、路由选择和设定QoS等网络优化措施提供数据依据。
到目前为止，网络流量分类技术主要分为基于端口、基于深度包、基于机器学习等类别。基于端口是根据数据包包头中的端口号来区分不同的网络应用类型，该方法实现简单且分类速度快，但随着协议多样化、端口跳变技术及隐藏技术的发展，该方法准确率低。基于深度包是应用所产生的数据包表现出来的特征进行识别，该方法需要人力物力去设计和维护指纹库，很难应用于大数据时代的流量，面对加密流量时，难以实现且计算开销很高。基于机器学习主要依据流量的一些外部统计特征，如包间时间、总包数、流量长度、流量持续时间等，通过机器学习算法实现分类。
传统基于机器学习的网络流量分类方法，分类性能很大程度上依赖于基于包特征或者基于流特征的设计。这些传统分类方法一方面需要大量带有真实标签的训练样本，但获取大量真实标签需要耗费大量人力及物力；另一方面，分类过程中采用单一模型所提取的特征不能反映网络流的全部特征，影响分类准确性。
发明内容
本发明的目的在于:提供一种基于人工智能的网络流量检测装置，以克服传统基于机器学习的网络流量分类中存在的问题：将卷积层和全局池化层提取的网络流量的空间特征、循环神经网络提取的网路流量的序列特征都输入到特征融合模块中，由特征融合模块得到网络流量综合特征集，并将其应用于分类任务中，从而提升网络流量分类结果准确率。
为实现上述目的，本发明采用如下技术方案：
一种基于人工智能的网络流量检测装置，包括数据采集模块、数据预处理模块、特征提取模块、特征融合模块和分类器模块；
所述数据采集模块连接数据预处理模块；用于抓取经过网卡的协议包，并将抓取到的协议包按照数据包切分方式进行切分，以形成单个网络数据文件提供给数据预处理模块；
所述数据预处理模块连接特征提取模块；用于读取数据采集模块提供的的网络数据文件,并根据读取结果生成灰度图和字节流输出至特征提取模块；
所述特征提取模块连接特征融合模块；用于接收灰度图和字节流，根据接收的灰度图提取空间特征，根据接收的字节流生成序列特征；包括：输入层、卷积神经网络(CNN)和循环神经网络(GRU)，其中卷积神经网络由卷积层和全局池化层组成，循环神经网络由下采样层和循环神经网络层组成；输入层分别连接卷积层和下采样层，卷积层连接全局池化层，下采样层连接循环神经网络；输入层用于接收灰度图和字节流并输出灰度图给卷积层，输出字节流给下采样层；卷积层用于对灰度图进行包含卷积操作的特征提取处理并输出至全局池化层；全局池化层用于对卷积层输出的特征进行池化处理，得到网络流量的空间特征输出至特征融合模块；下采样层用于对字节流进行下采样处理后输出至循环神经网络；循环神经网络根据下采样处理后的字节流输出网络流量的序列特征至特征融合模块；
所述特征融合模块对接收的空间特征和序列特征进行融合，得到新的特征集输入到分类器模块中，完成网络流量分类任务；所述特征融合模块由特征重组单元和权重分配单元组成，特征重组单元连接在特征提取单元后，用于接收空间特征和序列特征后，将其拼接成同时包含空间特征和序列特征的特征集θ，输出至权重分配单元；权重分配单元对特征集θ依次采用线性、非线性和归一化处理使其融合，得到数据集B，然后将数据集B与特征集θ进行点积处理得到新特征集θτ输出至分类器模块；
分类器模块包含全连接层和分类激活函数Softmax；全连接层接收新特征集θτ并输出新特征集θτ到分类激活函数Softmax进行分类，完成网络流分类任务。
进一步的，所述权重分配单元得到新特征θτ的详细过程为：
步骤1、利用特征集θ，采用双曲线正切函数计算出：
wi＝tanh(uiθ+bi)
其中ui,bi为网络需要训练的参数，wi为转换后的特征表示；
步骤2、对步骤1计算得到的wi进行归一化处理，得到各个特征权重αi，完成权重分配；
Figure BDA0003676456090000031
步骤3、将步骤2得到的αi与原特征点积，重新组合为新特征集θτ。
θτ＝concatenate[αi·θi]
进一步的，所述数据处理模块是按照8位一字节对读取的字节流重新排列后，生成的灰度图和字节流。
本发明提供的一种基于人工智能的网络流量检测装置，先通过特征提取模块中的卷积神经网络提取空间特征、循环神经网络提序列特征，然后通过特征融合模块对提取的空间特征和序列特征进行融合得到新的特征集输出至分类器模块完成网络流量分类。相较于传统基于机器学习的网络流量分类，本发明新特征集中包含有更多的网络流量特征，且融合得到新特征集的过程中通过注意力机制的使用，对各项特征进行了合理分配，有效提升了分类准确率。
附图说明
图1为本发明装置框图；
图2为本发明实施例结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1、图2所示，本发明提供的一种基于人工智能的网络流量检测装置，包括数据采集模块、数据处理模块、特征提取模块和注意力模块。
所述数据采集模块连接数据预处理模块；用于抓取经过网卡的协议包，并将抓取到的协议包按照数据包切分方式进行切分，以形成单个网络数据文件提供给数据预处理模块。
所述数据预处理模块连接特征提取模块；按照字节流读取接收的数据包，并根据读取结果生成灰度图和字节流输出提供给特征提取模块。
所述特征提取模块连接特征融合模块；用于接收灰度图和字节流，根据接收的灰度图提取空间特征，根据接收的字节流生成序列特征；包括：输入层、卷积神经网络(CNN)和循环神经网络(GRU)，其中卷积神经网络由卷积层和全局池化层组成，循环神经网络由下采样层和循环神经网络层组成；输入层的分别连接卷积层和下采样层，卷积层连接全局池化层，下采样层连接循环神经网络；输入层用于接收灰度图和字节流并输出灰度图给卷积层，输出字节流给下采样层；卷积层用于对灰度图进行包含卷积操作的特征提取处理并输出至全局池化层；全局池化层用于对卷积层输出的特征进行池化处理，得到网络流量的空间特征输出至特征融合模块；下采样层用于对字节流进行下采样处理后输出至循环神经网络；循环神经网络根据下采样处理后的字节流输出网络流量的序列特征至特征融合模块。
所述特征融合模块对接收的空间特征和序列特征进行融合，得到新的特征集输入到分类器模块中，完成网络流量分类任务；所述特征融合模块由特征重组单元和权重分配单元组成，特征重组单元连接在特征提取单元后，用于接收空间特征和序列特征后，将其拼接成同时包含空间特征和序列特征的特征集θ，输出至权重分配单元；权重分配单元对特征集θ依次采用线性、非线性和归一化处理使其融合，得到数据集B，然后将数据集B与特征集θ进行点积处理得到新特征集θτ输出至分类器模块。
分类器模块包含全连接层和分类激活函数Softmax；用于接收新特征集θτ并输出新特征集θτ到分类激活函数Softmax进行分类，完成网络流分类任务。
本实施例中，权重分配单元融合得到新特征集θτ的详细计算过程为：
步骤1、利用特征集θ，采用双曲线正切函数计算出：
wi＝tanh(uiθ+bi)
其中ui,bi为网络需要训练的参数，wi为转换后的特征表示。
步骤2、对步骤1计算得到的wi进行归一化处理，得到各个特征权重αi，完成权重分配；
Figure BDA0003676456090000041
步骤3、将步骤2得到的αi与原特征点积，重新组合为新特征集θτ，
θτ＝concatenate[αi·θi]
后经过全连接层和Softmax层进行分类。
以上所述的具体实施例，仅限于对本发明目的、内容和有益效果作进一步说明，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于人工智能的网络流量检测装置，包括数据采集模块、数据预处理模块、特征提取模块、特征融合模块和分类器模块，其特征在于：
所述数据采集模块连接数据预处理模块；用于抓取经过网卡的协议包，并将抓取到的协议包按照数据包切分方式进行切分，以形成单个网络数据文件提供给数据预处理模块；
所述数据预处理模块连接特征提取模块；用于读取数据采集模块提供的网络数据文件,并根据读取结果生成灰度图和字节流输出至特征提取模块；
所述特征提取模块连接特征融合模块；用于接收灰度图和字节流，根据接收的灰度图提取空间特征，根据接收的字节流生成序列特征；包括：输入层、卷积神经网络(CNN)和循环神经网络(GRU)，其中卷积神经网络由卷积层和全局池化层组成，循环神经网络由下采样层和循环神经网络层组成；输入层分别连接卷积层和下采样层，卷积层连接全局池化层，下采样层连接循环神经网络；输入层用于接收灰度图和字节流并输出灰度图给卷积层，输出字节流给下采样层；卷积层用于对灰度图进行包含卷积操作的特征提取处理并输出至全局池化层；全局池化层用于对卷积层输出的特征进行池化处理，得到网络流量的空间特征输出至特征融合模块；下采样层用于对字节流进行下采样处理后输出至循环神经网络；循环神经网络根据下采样处理后的字节流输出网络流量的序列特征至特征融合模块；
所述特征融合模块对接收的空间特征和序列特征进行融合，得到新的特征集输入到分类器模块中，完成网络流量分类任务；所述特征融合模块由特征重组单元和权重分配单元组成，特征重组单元连接在特征提取单元后，用于接收空间特征和序列特征后，将其拼接成同时包含空间特征和序列特征的特征集θ，输出至权重分配单元；权重分配单元对特征集θ依次采用线性、非线性和归一化处理使其融合，得到数据集B，然后将数据集B与特征集θ进行点积处理得到新特征集θτ输出至分类器模块；
所述分类器模块包含全连接层和分类激活函数Softmax；全连接层接收新特征集θτ并输出新特征集θτ到分类激活函数Softmax进行分类，完成网络流分类任务。
2.根据权利要求1所述的一种基于人工智能的网络流量检测装置，其特征在于：所述权重分配单元得到新特征θτ的详细过程如下：
步骤1、利用特征集θ，采用双曲线正切函数计算出：
wi＝tanh(uiθ+bi)
其中ui,bi为网络需要训练的参数，wi为转换后的特征表示；
步骤2、对步骤1计算得到的wi进行归一化处理，得到各个特征权重αi，完成权重分配；
步骤3、将步骤2得到的αi与原特征点积，重新组合为新特征集θτ。
3.根据权利要求1所述的一种基于人工智能的网络流量检测装置，其特征在于：所述数据预处理模块是按照8位一字节对读取的字节流重新排列后，生成的灰度图和字节流。
CN202210624678.1A 2022-06-02 2022-06-02 一种基于人工智能的网络流量检测装置 Active CN114915575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210624678.1A CN114915575B (zh) 2022-06-02 2022-06-02 一种基于人工智能的网络流量检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210624678.1A CN114915575B (zh) 2022-06-02 2022-06-02 一种基于人工智能的网络流量检测装置

Publications (2)

Publication Number Publication Date
CN114915575A CN114915575A (zh) 2022-08-16
CN114915575B true CN114915575B (zh) 2023-04-07

Family

ID=82771095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210624678.1A Active CN114915575B (zh) 2022-06-02 2022-06-02 一种基于人工智能的网络流量检测装置

Country Status (1)

Country Link
CN (1) CN114915575B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116633809B (zh) * 2023-06-26 2024-01-23 中国信息通信研究院 基于人工智能的检测方法和系统
CN116708313B (zh) * 2023-08-08 2023-11-14 中国电信股份有限公司 流量检测方法、流量检测装置、存储介质和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020119481A1 (zh) * 2018-12-11 2020-06-18 深圳先进技术研究院 一种基于深度学习的网络流量分类方法、系统及电子设备
CN111767878A (zh) * 2020-07-03 2020-10-13 中国科学院自动化研究所 嵌入式设备中基于深度学习的交通标志检测方法及系统
CN112491894A (zh) * 2020-11-30 2021-03-12 北京航空航天大学 一种基于时空特征学习的物联网网络攻击流量监测系统
US11216652B1 (en) * 2021-03-01 2022-01-04 Institute Of Automation, Chinese Academy Of Sciences Expression recognition method under natural scene

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020119481A1 (zh) * 2018-12-11 2020-06-18 深圳先进技术研究院 一种基于深度学习的网络流量分类方法、系统及电子设备
CN111767878A (zh) * 2020-07-03 2020-10-13 中国科学院自动化研究所 嵌入式设备中基于深度学习的交通标志检测方法及系统
CN112491894A (zh) * 2020-11-30 2021-03-12 北京航空航天大学 一种基于时空特征学习的物联网网络攻击流量监测系统
US11216652B1 (en) * 2021-03-01 2022-01-04 Institute Of Automation, Chinese Academy Of Sciences Expression recognition method under natural scene

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李建平.Application of Convolutional Neural Network (Cnn)in Microblog Text Classification.《2018 15th International Computer Conference on Wavelet Active Media Technology and Information Processing (ICCWAMTIP)》.2019,全文. *
王毅 ; 马翠红 ; 毛志强 ; .基于时空双流融合网络与Attention模型的行为识别.计算机应用与软件.2020,(第08期),全文. *
王超杰.基于深度学习的加密流量分类研究.《中国优秀硕士学位论文全文数据库》.2021,(第undefined期),全文. *

Also Published As

Publication number Publication date
CN114915575A (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN109726744B (zh) 一种网络流量分类方法
CN114915575B (zh) 一种基于人工智能的网络流量检测装置
CN110808945B (zh) 一种基于元学习的小样本场景下网络入侵检测方法
CN108229550B (zh) 一种基于多粒度级联森林网络的云图分类方法
CN109218223B (zh) 一种基于主动学习的鲁棒性网络流量分类方法及系统
CN111314331A (zh) 一种基于条件变分自编码器的未知网络攻击检测方法
CN109194498B (zh) 一种基于lstm的网络流量预测方法
CN109831392A (zh) 半监督网络流量分类方法
CN112422531A (zh) 基于CNN和XGBoost的网络流量异常行为检测方法
CN115277888B (zh) 一种移动应用加密协议报文类型解析方法及系统
CN111565156A (zh) 一种对网络流量识别分类的方法
CN114666273B (zh) 一种面向应用层未知网络协议的流量分类方法
CN115600128A (zh) 一种半监督加密流量分类方法、装置及存储介质
CN112491894A (zh) 一种基于时空特征学习的物联网网络攻击流量监测系统
CN111130942B (zh) 一种基于消息大小分析的应用流量识别方法
CN114330469A (zh) 一种快速、准确的加密流量分类方法及系统
CN115361195A (zh) 一种基于时空代价成本的大规模物联网流量多分类方法
CN112884121A (zh) 基于生成对抗深度卷积网络的流量识别方法
CN112019500A (zh) 一种基于深度学习的加密流量识别方法及电子装置
Zhou et al. Encrypted network traffic identification based on 2d-cnn model
CN117633627A (zh) 一种基于证据不确定性评估的深度学习未知网络流量分类方法及系统
CN113746707B (zh) 一种基于分类器及网络结构的加密流量分类方法
CN115242458B (zh) 一种基于shap的1d-cnn网络流量分类模型的可解释方法
CN114358177B (zh) 一种基于多维度特征紧凑决策边界的未知网络流量分类方法及系统
CN116545944A (zh) 一种网络流量分类方法及系统

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