發(fā)布時間：2021-07-02 06:55

　　針對傳統(tǒng)的流量識別技術過于依賴個人的特征選擇,無法同時滿足實時性和準確性要求的問題,提出了一種基于殘差神經(jīng)網(wǎng)絡（residual neural network,ResNet）模型的流量識別方法。根據(jù)網(wǎng)絡流量數(shù)據(jù)和圖像數(shù)據(jù)的相似性,對原始數(shù)據(jù)進行預處理,把一維的網(wǎng)絡流量數(shù)據(jù)轉(zhuǎn)換成二維的灰度圖片,統(tǒng)一數(shù)據(jù)的輸入格式;調(diào)整模型的超參數(shù)、訓練模型的參數(shù),篩選出最優(yōu)的分類模型,實現(xiàn)對網(wǎng)絡流量的識別。實驗結(jié)果表明:該流量識別方法的準確率達到97. 03%,F_1-weighted值達到96. 54%,具有較高的識別率。通過與其他算法的結(jié)果對比,表明該方法的收斂速度快,識別準確率高,而且能夠有效處理非均衡網(wǎng)絡流量數(shù)據(jù)的識別問題。 

【文章來源】：北京信息科技大學學報(自然科學版). 2020,35(01)

【文章頁數(shù)】：7 頁

【部分圖文】：

Alex Net的準確率

本網(wǎng)絡流量識別方法的總體流程如圖1所示。具體流程是先獲取網(wǎng)絡流量數(shù)據(jù)集，確定原始流量集的識別特征和識別標簽。為了驗證本方法的可行性，本文采用公開的Moore流量數(shù)據(jù)集。在對數(shù)據(jù)集的預處理操作步驟，把流量數(shù)據(jù)轉(zhuǎn)換為識別模型能夠有效處理的統(tǒng)一輸入形式。對預處理數(shù)據(jù)集進行劃分，選取一部分流量數(shù)據(jù)子集指定為數(shù)據(jù)集1作為訓練集訓練流量識別模型，另一部分流量數(shù)據(jù)子集指定為數(shù)據(jù)集2作為測試集評估已經(jīng)訓練好的模型。在訓練模型階段，根據(jù)經(jīng)驗調(diào)整模型參數(shù)，選擇出最佳的模型，然后使用測試集對模型的性能進行評估。

6)殘差學習單元。在網(wǎng)絡流量識別模型中，全等映射層、卷積層、BN層和激活函數(shù)層組成一個ResNet單元，具體結(jié)構(gòu)如圖2所示。殘差單元的輸入為x，期望輸出是H(x)。單元的輸入信息繞道傳到輸出，從學習輸出H(x)轉(zhuǎn)變成了學習輸入和輸出的殘差，即需要擬合的函數(shù)變?yōu)镕(x)=H(x)-x，減輕了學習的難度。在本文模型中，使用ResNet單元彌補了卷積層在信息處理、傳遞時產(chǎn)生的信息扭曲、丟失等不足，有效提高了網(wǎng)絡流量識別率。

【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡的復雜網(wǎng)絡加密流量識別[J]. 董浩,李燁.  軟件導刊. 2018(09)
[2]一種基于LSTM神經(jīng)網(wǎng)絡的流量預測模型[J]. 譚暉,張揚,周小翠,賀凡.  信息通信. 2018(02)
[3]基于卷積神經(jīng)網(wǎng)絡的網(wǎng)絡流量識別技術研究[J]. 李勤,師維,孫界平,董超,曲天舒.  四川大學學報(自然科學版). 2017(05)
[4]基于深度學習的實時DDoS攻擊檢測[J]. 李傳煌,孫正君,袁小雍,李曉林,龔梁,王偉明.  電信科學. 2017(07)
[5]基于C4.5決策樹的流量分類方法[J]. 徐鵬,林森.  軟件學報. 2009(10)

博士論文
[1]基于深度學習的網(wǎng)絡流量分類及異常檢測方法研究[D]. 王偉.中國科學技術大學 2018

碩士論文
[1]基于深度學習的路由器入侵檢測技術研究[D]. 劉雨辰.戰(zhàn)略支援部隊信息工程大學 2018
[2]基于深度學習的網(wǎng)絡流量識別關鍵技術研究[D]. 李玎.戰(zhàn)略支援部隊信息工程大學 2018
[3]基于深度學習的網(wǎng)絡業(yè)務流量識別算法研究[D]. 鄒媛媛.東南大學 2017
[4]基于DBN的網(wǎng)絡流量分類的研究[D]. 白雪.內(nèi)蒙古大學 2015



本文編號：3259983