System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及加密流量分类领域,尤其涉及一种基于半监督和时空特征的加密流量分类方法。
技术介绍
1、为了保证数据传输过程中的安全和隐私,如今互联网上的大部分流量都进行了加密处理,加密流量分类已经成为流量审计工作的难点。基于统计特征的方法和深度包检测的准确率受到所提取特征的质量和数量限制,因此主流的加密流量分类方法慢慢转移到了深度学习,这可以解决加密流量分类中的特征难以提取的问题,在处理大规模数据集时具有良好的分类效果。深度学习首先捕获网络流量,处理好流量特征并标记好标签,然后将样本送到搭建好的神经网络中进行训练,最后输出分类模型。
2、从流量的数据集来说:处理好一个大型数据集的特征并打上标签是一件十分消耗时间和人力成本的工作,还有可能产生标注偏差,这使得传统模型缺少大量可供训练的标签样本。对于加密流量分类来说,只使用少量的标签样本进行训练,难以达到较好的精度。
3、从深度学习的模型来说:当前的深度学习的模型没有全面地利用流量的特征,大部分模型使用cnn或rnn等单一的模型结构,仅仅获取数据的时间或空间特征,获得一个大型的带分类标签的样本并不是那么容易,当没有大量样本进行学习模型的训练时,由于容易出现不平衡样本,使用单一模型的深度学习的精度将会大幅度下降,同时还存在过拟合的风险。
技术实现思路
1、本专利技术的目的在于克服现有加密流量分类方法的不足,提出一种基于半监督和时空特征的加密流量分类方法,用大量无标签的样本和少量带标签的样本进行训练,得到加密流量分类模
2、为实现本专利技术的目的,本专利技术提供的技术方案具体如下:
3、一种基于半监督和时空特征的加密流量分类方法,包括如下步骤:
4、步骤1:对加密流量数据进行预处理,获取每个流量样本标签和特征作为样本集;
5、步骤2:随机分类步骤1生成的样本集,生成无监督学习模块的无标签数据样本和监督学习模块的有标签数据样本;
6、步骤3:将步骤2生成的无标签数据样本通过时空特征提取模块提取出时空特征;
7、步骤4:重构步骤3提取样本的时空特征,进行训练后输出无监督训练模型;
8、步骤5:将步骤2生成的有标签数据样本放入监督学习模块训练,输出分类模型。
9、与现有技术相比,本专利技术的有益效果为:
10、1.本专利技术为了解决使用少量样本进行加密流量分类时模型精度较低的问题,进行训练模型的问题,提出了一个半监督加密流量分类方法,先使用大量未标记的样本进行无监督学习,提取样本的特征后再使用少量带有分类标签的样本进行监督学习。通过抽取少量的样本进行对比实验,全监督的神经网络由于没有大量的样本进行训练,分类精度较低;半监督学习更好地利用了数据特征,提高了模型的分类精度。
11、2.本专利技术为了解决当前的深度学习的模型只捕获单一的空间特征或时间特征,没有全面地利用流量数据的特征的问题,提出了一种基于时空特征的加密流量分类方法,此方法先提取流量的几种空间特征,加入注意力机制并进行特征融合,最后进行时间特征的提取,基于时空特征的模型采用了模型融合和维度压缩的技术,减少了模型过拟合的风险。通过实验对比发现,相比单一使用深度学习的某种模型,达到了更好的分类精度。
本文档来自技高网...【技术保护点】
1.一种基于半监督和时空特征的加密流量分类方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于半监督和时空特征的加密流量分类方法,其特征在于,所述步骤1包括如下:
3.根据权利要求2所述的基于半监督和时空特征的加密流量分类方法,其特征在于,所述步骤2包括如下:
4.根据权利要求3所述的基于半监督和时空特征的加密流量分类方法,其特征在于,所述步骤3包括如下:
5.根据权利要求4所述的基于半监督和时空特征的加密流量分类方法,其特征在于,所述步骤4包括如下:
6.根据权利要求5所述的基于半监督和时空特征的加密流量分类方法,其特征在于,所述步骤5包括如下:
7.根据权利要求6所述的基于半监督和时空特征的加密流量分类方法,其特征在于,所述步骤5还包括如下:
【技术特征摘要】
1.一种基于半监督和时空特征的加密流量分类方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于半监督和时空特征的加密流量分类方法,其特征在于,所述步骤1包括如下:
3.根据权利要求2所述的基于半监督和时空特征的加密流量分类方法,其特征在于,所述步骤2包括如下:
4.根据权利要求3所述的基于半监督和时空特征的加密流量分类方...
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。