【技术实现步骤摘要】
本专利技术涉及网络安全与人工智能，具体的是基于协同注意力机制的多模态加密流量分类方法及系统。
技术介绍
1、随着 tls/ssl、quic 等端到端加密协议在互联网及工业物联网（industrialinternet of things，iiot）场景中的全面部署，传统基于深度包检测（deep packetinspection，dpi）或端口号的流量识别方法因无法获取明文载荷而逐渐失效，导致网络管理、入侵检测和应用计费面临精度下降与不可解释的双重困境。为解决加密流量的鉴别问题，学术界和工业界先后提出以下三类主流技术方案：
2、基于统计特征的机器学习方法：通过提取包长度序列、方向序列、流持续时间、平均包间隔等统计特征，结合随机森林、svm、k-nn等传统分类器实现加密流量识别。然而该类方法依赖手工特征工程，泛化能力受限，当加密应用采用流量混淆或固定包长策略时分类性能显著下降。
3、基于深度学习的单模态方法：代表性工作 deeppacket 将数据包视为1-d字节序列，采用卷积神经网络自动提取特征；et-bert等进一...
【技术保护点】
1.基于协同注意力机制的多模态加密流量分类方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的基于协同注意力机制的多模态加密流量分类方法，其特征在于，所述对流量数据集进行预处理包括：
3.根据权利要求1所述的基于协同注意力机制的多模态加密流量分类方法，其特征在于，所述基于处理后的流量数据集计算余弦相似度，得到余弦相似度矩阵的计算过程包括：
4.根据权利要求3所述的基于协同注意力机制的多模态加密流量分类方法，其特征在于，所述卷积注意力的过程包括：
5.根据权利要求4所述的基于协同注意力机制的多模态加密流量分类方法...
【技术特征摘要】
1.基于协同注意力机制的多模态加密流量分类方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的基于协同注意力机制的多模态加密流量分类方法，其特征在于，所述对流量数据集进行预处理包括：
3.根据权利要求1所述的基于协同注意力机制的多模态加密流量分类方法，其特征在于，所述基于处理后的流量数据集计算余弦相似度，得到余弦相似度矩阵的计算过程包括：
4.根据权利要求3所述的基于协同注意力机制的多模态加密流量分类方法，其特征在于，所述卷积注意力的过程包括：
5.根据权利要求4所述的基于协同注意力机制的多模态加密流量分类方法，其特征在于，所述卷积注意力加权的计算如下：
6.根据权利要求1所述的基于协同注意力机制的多模态加密流量分类方法，其特征在于，所述多头自注意力是引入多个并行的注意力头。
【专利技术属性】
技术研发人员：江凌云，李贵翔，赵羿，王佳豪，李孟瑶，
申请(专利权)人：南京邮电大学，
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。