【技术实现步骤摘要】
一种基于四元特征融合图的轻量级Tor流量分类方法及系统
[0001]本专利技术属于网络安全
,具体涉及一种基于四元特征融合图的轻量级Tor流量分类方法及系统。
技术介绍
[0002]随着现代无线通讯系统的发展与设备计算性能的增强,可移动设备如笔记本电脑、平板电脑、手机的使用也越来越频繁。使用可移动设备的主要目的在于便捷安装应用,以使用其提供的各种功能,如社交、聊天、购物等。然而手机系统如Android允许用户安装互联网上大量未知来源的应用,这其中就包括潜在有害或易受攻击的应用,不法分子可以利用这些应用损坏通讯系统的安全以及泄露机密信息。出于对用户安全的保护,安全运营商需要通过流量分类技术观察应用流量并进行筛选。
[0003]流量分类是指将网络流量进行分类识别,分类识别的结果是某种应用程序或业务类型等,在网络安全管理、网络优化、流量工程等不同领域展现出了强大的潜力。然而随着加密技术的不断成熟,流量加密也从传统的使用TLS协议加密数据包过渡到了使用匿名通讯系统如Tor进行代理转发流量,Tor是基于通道交换的低延迟匿名通信系统,用户可以通过Tor网络选择中继节点建立通道,接收应用的TCP流,并将流量层层加密后经过多重路由解密直到达到目的地,以实现对源与目的地的通讯关系加密。针对Tor协议加密场景,如何进行高效的流量分类仍然是一个挑战。
[0004]此外,更高效的模型同时也意味着更大的体积、更高的资源消耗以及更多的训练时间,由于设备硬件资源和算力的限制,在高算力的设备中能够运行的Tor流量分类模型,不一 ...
【技术保护点】
【技术特征摘要】
1.一种基于四元特征融合图的轻量级Tor流量分类方法,其特征在于:依次包括以下步骤:步骤(1)、采集Tor网络下目标应用产生的网络流量,截取固定时间窗口内的所有数据包,去除其中的噪声,提取数据包大小分布、平均方向以及传输频率特征集并转化为四元特征融合图,以此将Tor流量的混合模式进行可视化;步骤(2)、使用堆叠的特征提取层提取步骤(1)所得四元特征融合图的特征张量,采用部分参数共享机制将特征提取层中卷积层的滤波器分解为空间域中固定基的加权扩展,并对扩展系数分布进一步施加稀疏性惩罚使其趋向于0;步骤(3)、对步骤(2)中每个特征提取层提取出的特征张量均使用水平
‑
垂直条带池化策略,编码其水平和垂直特征信息,以此进行特征细化,然后采用自适应的方形池化策略对细化后的每两个特征提取层提取出的特征张量进行降维;步骤(4)、压缩步骤(3)中所得最后一层特征提取层细化和降维后的输出张量,并使用标准的Flatten层将其转化为一个特征向量,组合使用已知类别判别模型M
cl
和未知类别判别模型M
un
,为特征向量分配类别标签。2.根据权利要求1所述的基于四元特征融合图的轻量级Tor流量分类方法,其特征在于:所述步骤(1)中使用四元特征融合图表示Tor流量的混合模式的具体过程为:给定时间窗口T,将原始网络流量H按照每T秒分割成N份,对于每条流O=[o1,o2,...o
N
‑1,o
N
],分别提取其中的数据包大小序列S=[s1,s2,...s
M
‑1,s
M
]、数据包时间戳序列T=[t1,t2,...t
M
‑1,t
M
]、数据包方向序列D=[d1,d2,...d
M+1
,d
M
],M代表该流H中数据包个数;首先标准化时间戳到[0,1500]区间,使其与数据包大小在一个量纲内,即:并数值化方向,即:接着建立二维1500*1500的直方图,直方图中的像素点颜色代表时间区间[t
i
,t
i+1
]内是否存在大小在[s
i
,s
i+1
]区间内的数据包,白色代表不存在,其他颜色代表存在,颜色的深浅代表该区间内所有数据包的平均方向,即其中n+1代表该区间内数据包的总个数,d
i
代表该区间内第i个数据包的数值化方向,偏向黄色代表发送数据包占大多数,偏向紫色代表接收数据包占大多数;最后将融合图保存为224*224*3的图像。3.根据权利要求1所述的基于四元特征融合图的轻量级Tor流量分类方法,其特征在于:所述步骤(2)中堆叠的特征提取层包括卷积层、批量标准化层和激活层三个算子,对于卷积层中的一个滤波器F
g
={K
e
∈R
k
×
k
×
c
,e∈[1...G]},将其中的每个卷积核分解为L个共享卷积核基加权和,即其中表示第e个卷积核在第l个卷积核基下的权重,由模型自动学习得出,通过在损失函数中对特定权重施加Renyi散度稀疏惩罚,限制特定权重分布逼近于0,来降低计算量:
表示第l个卷积核基,结合融合图特性,将其设置为FB基,P为实际特定权重的分布,即所有α的分布,Q为理想0分布,β代表稀疏常数,n为可训练的特定权重个数。4.根据权利要求1所述的基于四元特征融合图的轻量级Tor流量分类方法,其特征在于:所述步骤(3)中使用水平
‑
垂直条带池化策略对特征张量进行特征细化的具体过程如下:对于步骤(2)所得每个特征提取层提取的二维特征张量x,首先分别计算其每行和每列中所有特征值的平均,即每行和每列中所有特征值的平均,即并分别使用3
×
1和1
×
3的一维卷积层对其进行调制并放缩到H
×
W大小,得到然后相加得到y
concat
=y
h
+y
v
;对每个通道的特征张量均采用上述步骤后则得出接着使用公式out=Dot(x,σ(fun(y)))得到该特征提取层...
【专利技术属性】
技术研发人员:何刘坤,王良民,宋香梅,周强,赵蕙,申屠浩,李唱,
申请(专利权)人:江苏大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。