【技术实现步骤摘要】
基于多视角一维卷积神经网络的VPN和non
‑
VPN网络流量分类方法
[0001]本专利技术属于模式识别
,具体涉及一种基于多视角一维卷积神经网络的VPN和non
‑
VPN网络流量分类方法,可用于对VPN和non
‑
VPN数据流量进行精确分类。
技术介绍
[0002]在过去的几十年中,由于网络服务质量、安全、计费、设计和工程等机制的实现与发展,流量分类技术受到了越来越多的关注。网络运营商在开展广泛的网络运营和管理活动时极大地依赖于流量分类的技术。例如,企业网络管理员或ISP(Internet service provider,网络服务提供商)可能希望对业务关键服务的流量进行优先排序,识别未知流量来进行异常检测,或者对工作流量的负载进行特性描述,以设计有效的资源管理方案来满足不同应用程序的性能和资源需求。根据网络环境的不同,大规模的错误分类可能导致无法提供QoS(Quality of Service,服务质量)保证、产生额外的操作支出、安全漏洞甚至服务中断。
[0003]形式上,流量分类可以定义为根据任意一组预定义的特征参数来对网络流量单元(例如,包、流、会话等)进行分类。在过去,流量分类主要是基于TCP(Transmission Control Protocol,传输控制协议)和UDP(User Datagram Protocol,用户数据包协议)的端口号进行的。然而,随着互联网和移动技术的不断扩展,网络协议栈的日益复杂,web应用程序的广泛使用,以 ...
【技术保护点】
【技术特征摘要】
1.一种基于多视角一维卷积神经网络的VPN和non
‑
VPN网络流量分类方法,其特征在于,包括:S1:构建深度学习网络,所述深度学习网络包括头部特征提取单元、载荷特征提取单元、数据展开模块、全连接层和输出层,其中,所述头部特征提取单元和所述载荷特征提取单元分别提供两个视角,所述头部特征提取单元提供一个来自数据包协议头部的视角,所述载荷特征提取单元提供一个来自数据包传输层载荷部分的视角,两个单元的输出分别连接所述数据展开模块,所述数据展开模块的输出连接全连接层,所述全连接层的输出连接所述输出层;S2:获取VPN或non
‑
VPN互联网流量训练集;S3:利用所述VPN或non
‑
VPN互联网流量训练集对所述深度学习网络进行训练,获得经训练的深度学习网络模型;S4:将待分类的原始VPN或non
‑
VPN互联网流量数据包进行预处理;S5:将预处理后的VPN或non
‑
VPN互联网流量数据包输入经训练的深度学习网络模型,获得分类结果。2.根据权利要求1所述的基于多视角一维卷积神经网络的VPN和non
‑
VPN网络流量分类方法,其特征在于,所述载荷特征提取单元包括依次连接的第一一维卷积层、第一下采样层、第二一维卷积层和第二下采样层,所述头部特征提取单元包括依次连接的第三一维卷积层。3.根据权利要求2所述的基于多视角一维卷积神经网络的VPN和non
‑
VPN网络流量分类方法,其特征在于,所述第一一维卷积层、所述第二一维卷积层和所述第三一维卷积层的卷积核大小均为(1,N),激活函数为LeakyReLU函数,其中,N≥1。4.根据权利要求3所述的基于多视角一维卷积神经网络的VPN和non
‑
VPN网络流量分类方法,其特征在于,所述第一下采样层和所述第二下采样层的池化窗口大小均为(1,M),M≥2。5.根据权利要求1所述的基于多视角一维卷积神经网络的VPN和non
‑
VPN网络流量分类方法,其特征在于,所述S2包括:收集预定数量的VPN和non
‑
VPN互联网流量数据包,并剔除其中的无关协议数据包以及数据链路层协议的报头;对所述互联网流量数据包进行传输层报头填充,以使不同的互联网流量数据包具有相同的传输层报头长度;将所有互联网流量数据包统一为相同的字...
【专利技术属性】
技术研发人员:郑昱,党张轩,杨超,任启贤,李玥,
申请(专利权)人:西安电子科技大学,
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。