一种基于增量学习的加密流量分类方法技术

本发明专利技术提供了一种基于增量学习的加密流量方法，涉及网络分类流量领域，包括步骤一、对原始流量进行预处理，转换生成三通道RGB图像数据集；步骤二、构建针对小尺寸流量图片的深度残差网络；步骤三、将部分类样本输入深度残差网络训练，实现加密流量分类；步骤四、更新网络模型及参数，训练一种基于类别平衡的损失函数，使其最小化；步骤五、在内存中筛选具有代表性的旧样本，保留旧样本学习经验；步骤六、重复上述步骤三、步骤四、步骤五。本发明专利技术能够有效的从动态增长的加密流量数据中实现增量学习，并提高其分类准确率，同时避免模型对新样本的倾斜。斜。斜。

【技术实现步骤摘要】
一种基于增量学习的加密流量分类方法


[0001]本专利技术涉及网络流量分类领域，具体涉及一种基于增量学习的加密流量分类方法。

技术介绍

[0002]随着互联网应用的广泛普及与传播，人们在访问互联网时产生了大量的网络流量。其中，加密流量在网络中得到广泛使用，占流量总量的份额正在逐年提升。因此，加密流量分类算法逐渐受到了学业界和工业界的广泛关注，对加密流量进行正确识别分类成为了网络安全和网络管理中的重要课题。一方面，流量运营商可以通过加密流量分类，分析不同网络应用所占的流量比例，合理规划网络，改善网络管理水平，提升网络服务质量。另一方面，随着加密未知协议种类的增多，黑客攻击等恶意入侵行为频繁发生，加密流量分类可为网络提供安全保障。
[0003]在互联网早期阶段，流量协议可以直接依照与之对应的端口号进行识别。然而随着动态端口技术和网络安全技术的发展，基于端口号的流量分类算法开始不再适用。随后出现了一种关注流量中有效载荷的方法，它被称为深度包检测技术。由于不同的加密协议或应用往往具有其特定的数据包格式，比如含有固定字符串，该方法可以从不同种类流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增量学习的加密流量分类方法，其特征在于，包括以下步骤：步骤一、对原始流量进行预处理，转换生成三通道RGB图像数据集；步骤二、构建针对小尺寸流量图片的深度残差网络；步骤三、将部分类样本输入深度残差网络训练，实现加密流量分类；步骤四、更新网络模型及参数，训练一种基于类别平衡的损失函数，使其最小化；步骤五、在内存中筛选具有代表性的旧样本，保留旧样本学习经验；步骤六、重复上述步骤三、步骤四、步骤五。2.根据权利要求1所述的基于增量学习的加密流量分类方法，其特征在于，所述步骤一对原始流量进行预处理，并转换生成三通道RGB图像数据集，具体包括：1)根据源IP地址、目的IP地址、源端口、目的端口、传输层协议对每条流进行五元组聚类过滤；2)删除所有数据包中的MAC地址以及IP地址；3)在保持原始流量内容特征的基础上，采用基于数据包拼接的方式强调流量的统计特征，在每个数据包后拼接一定长度的填充字节，不同方向的数据包具有不同的填充值；4)考虑到以太网的MTU为1500字节，以3072字节为单位将流量转换成等长数组，并对数组元素进行归一化；5)相较于普通的灰度图片构建纹理信息更加丰富的多通道图像，把每个数组元素看作一个图像像素，制作成一张32
×
32
×
3大小的三通道RGB图像；6)将图像与其标签制作成以字符串序列形式保存的TFRecords格式数据集。3.根据权利要求1所述的基于增量学习的加密流量分类方法，其特征在于，所述步骤二针对小尺寸流量图片的深度残差网络具体包括：输入层、卷积层、残差层、池化层、全连接层、输出层；图像从输入层传入深度残差网络，在卷积层、残差层中进行深度特征提取，构建恒等映射；随后进行降维，并对特征进行非线性映射，形成预测特征向量logits；最终使用softmax函数对特征向量进行归一化，用于输出各流量种类的类别概率。4.根据权利要求1所述的基于增量学习的加密流量分类方法，其特征在于，所述步骤三将部分类样本输入深度残差网络训练，具体包括：设置增量任务，模拟增量环境，将数据集划分为不同的训练批次，渐进地输入部分加密流量样本进行训练；其中，设置增量任务参考了总类别数量的公约数，当增量任务为1时，意味着完成标准的分类任务，即一次性输入所有训练数据；为了保证公平性，输入数据集中的部分类流量样本采用随机抽样方法。5.根据权利要求1所述的基于增量学习的加密流量分类方法，其特征在于，所述步骤四基于类别平衡的损失函数公式为：Loss＝(1
‑
γ)Loss
c
+γT2Loss
...

【专利技术属性】
技术研发人员：魏洁玲，马秀丽，金彦亮，
申请(专利权)人：上海大学，
类型：发明
国别省市：