一种基于特征数据和深度学习的网络流量识别方法及系统技术方案

本发明专利技术属于互联网技术领域，提供了一种基于特征数据和深度学习的网络流量识别方法及系统，该方法包括如下步骤：获取待识别网络流量数据；对待识别网络流量数据进行预处理，得到特征数据；根据特征数据和训练好的神经网络模型进行服务类型分类，得到网络流量的服务类型；所述训练好的神经网络模型包括两层，第一层用于判断网络流量数据是否为Tor或VPN网络流量数据，第二层用于对Tor或VPN数据的网络流量数据进行分类；将网络流量的分类结果通过可视化界面展示，对网络流量的未来发展形式进行预测。预测。预测。

【技术实现步骤摘要】
一种基于特征数据和深度学习的网络流量识别方法及系统


[0001]本专利技术属于互联网
，尤其涉及一种基于特征数据和深度学习的网络流量识别方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]由于互联网流量的快速变化和网络技术的快速迭代性，传统的基于规则的方法，如深度包检测、异常端口检测，准确率低。机器学习是一种广泛应用的分类技术，因为它可以从数据集自动学习生成模型。由于网络数据流量大、结构复杂，机器学习的处理能力往往有限，普遍存在误报率高、泛化能力差、实时性差的缺点。因此，如何建立一个能够有效识别各种复杂加密流量的系统是一个迫切需要解决的问题。
[0004]现有的网络流量识别方法一方面获取的数据未进行进一步筛选得到具有代表性的特征数据，影响分类的结果，造成网络流量的类型识别错误；另一方面现有的分类模型采用的分类模型，算法复杂度高，识别效率低。

技术实现思路

[0005]为了解决上述
技术介绍
中存在的至少一项技术问题，本专利技术提供一种基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征数据和深度学习的网络流量识别方法，其特征在于，包括如下步骤：获取待识别网络流量数据；对待识别网络流量数据进行预处理，得到特征数据；根据特征数据和训练好的神经网络模型进行服务类型分类，得到网络流量的服务类型；所述训练好的神经网络模型包括两层，第一层用于判断网络流量数据是否为Tor或VPN网络流量数据，第二层用于对Tor或VPN数据的网络流量数据进行分类；将网络流量的分类结果通过可视化界面展示。2.如权利要求1所述的一种基于特征数据和深度学习的网络流量识别方法，其特征在于，所述预处理的过程包括数据清洗、数值化、归一化以及结构化。3.如权利要求1所述的一种基于特征数据和深度学习的网络流量识别方法，其特征在于，所述第一层采用两层一维卷积神经网络，每一层的一维卷积神经网络添加图解通道注意力机制。4.如权利要求1所述的一种基于特征数据和深度学习的网络流量识别方法，其特征在于，所述待识别网络流量数据包括训练数据集和测试集，所述训练数据在输入神经网络模型之前进行了筛选，所述训练数据集的筛选过程包括：将具有N个属性的结构化数据，一次删除一个特征项，生成一个集合，以此类推生成N
‑
1个集合，将得到的每个集合进行重要性排序，得到前M个数据集作为训练数据集。5.如权利要求1所述的一种基于特征数据和深度学习的网络流量识别方法，其特征在于，所述神经网络模型采用一位卷积神经网络和ECA注意力通道机制，具体的结构为：采用了两个一维卷积层，每个一维卷积层后面添加一个ECA层，所述ECA层采用k个相邻的邻接层，最后添加了一个扁平层、一个退出层和一个致密层。6.如权利要求1所述的一种基于特征数据和深度学习的网络流量识别方法，其特征在于，所述将网络流量的分类结果通过可视化界面展...

【专利技术属性】
技术研发人员：赵曰峰，王若楠，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：