【技术实现步骤摘要】
基于CNN和LSTM的在线加密流量分类方法
本专利技术涉及计算机网络
，尤其涉及一种基于CNN和LSTM的在线加密流量分类方法。
技术介绍
随着互联网技术的快速发展，互联网日益深入大众生活。而随着各种新型网络应用的出现，应用流量呈现持续增长趋势，并且由于人们对网络信息安全的日益重视以及加密技术的不断发展，网络加密流量也在不断上升。而为了能够更好地提升网络流量管理水平以及改善网络服务质量，正确识别网络加密流量的应用类型显得尤为重要。传统的网络流量分类方法可以分为以下四类：基于端口号的方法：该方法是依据TCP/UDP报文头部的端口号进行应用识别，即通过读取由IANA(InternetAssignedNumbersAuthority)发布的ServiceNameandTransportProtocolPortNumberRegistry中端口号与具体应用的映射信息来对流量进行分类。这种分类方法的原理非常简单，只需要读取网络数据流中的第一个数据包即可成功识别，识别效率非常高而具体实现又极为简单。但是，随着网络技...
【技术保护点】
1.一种基于CNN和LSTM的在线加密流量分类方法，其特征在于，包括：/n通过动态窗口对原始加密数据流进行切分，获得带有时间序列关系的n个子流；/n分别提取n个子流的统计特征，以及对n个子流均进行转换后使用采用CNN提取相应的有效载荷特征；/n对每一子流的有效载荷特征与统计特征进行融合，采用LSTM从时间角度对融合后的综合性特征进行相关处理，再通过分类器得到识别结果。/n
【技术特征摘要】
1.一种基于CNN和LSTM的在线加密流量分类方法，其特征在于，包括：
通过动态窗口对原始加密数据流进行切分，获得带有时间序列关系的n个子流；
分别提取n个子流的统计特征，以及对n个子流均进行转换后使用采用CNN提取相应的有效载荷特征；
对每一子流的有效载荷特征与统计特征进行融合，采用LSTM从时间角度对融合后的综合性特征进行相关处理，再通过分类器得到识别结果。
2.根据权利要求1所述的一种基于CNN和LSTM的在线加密流量分类方法，其特征在于，所述通过动态窗口对原始加密数据流进行切分，获得带有时间序列关系的n个子流包括：
针对原始加密数据流，通过流量切分工具根据原始加密数据流五元组信息，切割为各个独立的单元；切割有两种标准方式，一种为会话，另一种为流；五元组信息为源IP地址、源端口号、目的IP地址、目的端口号与传输层协议；
使用动态窗口对各个独立的单元进行切分，对于切分后的子流进行采样，获得带有时间序列关系的n个子流。
3.根据权利要求1所述的一种基于CNN和LSTM的在线加密流量分类方法，其特征在于，所述对n个子流均进行转换后使用采用CNN提取相应的有效载荷特征包括：
针对每一子流，提取有效载荷部分的前m个数据包的前m字节内容，并转化成m＊m的图片，形成二维矩阵xm*m，再输入到CNN中进行有效载荷特征的提取；其中，若数据包或者字节的数目不足m，则进行相应的填充；
CNN包含依次设置的卷积层、池化层与全连接层；
卷积层操作：对于一个卷积操作，其包含一个过滤器F∈Rw*h，过滤器依次对二维矩阵中窗口大小为w*h的内容进行操作并生成特征图Yw*h，公式如下：
其中，w、h为特征图的宽、高，i、j表示二维矩阵的行、列号；
卷积层中过滤器数量为n，每个子流都经过包含n个过滤器的卷积操作，获得相应的特征图，n个子流最终得到n个特征图Yw*h，卷积层的输出还连接一个激活函数；
通过池化层来降低各特征的维度，最后通过全连接层获得n个子流的有效载荷特征。
4.根据权利要求1所述的一种基于CNN和LSTM的在线加密流量分类方法，其特征在于，提所提取的统计特征包括如下特征中的一种或多种：数据流的持续时间、数据包的平均字节数、每秒数据包数以及正、反向包的相关特征；以及数据流的持续时间、数据包的平均字节数、每秒数据包数中的统计特性，所述统计特征包括如下...
【专利技术属性】
技术研发人员：谭小彬，佟欣欣，陈翔，杨坚，张勇东，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34
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。