針對目前網(wǎng)絡(luò)上未知二進制協(xié)議種類繁多、不便于管理的問題,提出一種基于一維CNN的二進制協(xié)議分類方法,利用聚類得到協(xié)議數(shù)據(jù)的標(biāo)簽進行訓(xùn)練,直接將經(jīng)過一類分類的二進制協(xié)議報文作為一維卷積神經(jīng)網(wǎng)絡(luò)的輸入,訓(xùn)練分類模型,構(gòu)建了一個二進制協(xié)議分類器,能夠自動學(xué)習(xí)原始輸入與預(yù)期輸出之間的非線性關(guān)系,實現(xiàn)協(xié)議的自動分類功能。這是首次將一類分類與CNN網(wǎng)絡(luò)應(yīng)用于二進制協(xié)議分類領(lǐng)域。并且針對最大頻度池化和一維卷積網(wǎng)絡(luò)作了對比試驗,驗證了改進的有效性。經(jīng)過實驗驗證對協(xié)議的識別率達到了98%以上,分類時間優(yōu)于聚類方法。 

【文章來源】：火力與指揮控制. 2020,45(11)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

二進制協(xié)議分類實現(xiàn)方案

粵教跏?荼ㄎ牡姆植記榭黿?信卸稀?數(shù)據(jù)幀i與第j個聚類中心的相似度similar（i，j）為判斷數(shù)據(jù)幀是否屬于第j個中心點類簇的閾值。（1）本文提出了一種使用調(diào)整互信息的一類分類算法［11］。2.3構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)CNN算法應(yīng)用于協(xié)議分類識別的第一步是要確定輸入對象的像素大小，以單條協(xié)議報文作為輸入，根據(jù)前文m值的確定，m值為144bit。在設(shè)計CNN網(wǎng)絡(luò)時需要改變其網(wǎng)絡(luò)結(jié)構(gòu)來適應(yīng)數(shù)據(jù)幀的輸入形式。本文的輸入形式為36×1。從數(shù)據(jù)維度的角度看，一維CNN就是二維CNN的一種簡化。圖2為一維CNN模型的示意圖。卷積層采用局部連接和權(quán)值共享來提取特征，由于二進制協(xié)議格式較為簡單，為了提高運算效率，設(shè)計了5層的卷積網(wǎng)絡(luò)。設(shè)輸入?yún)f(xié)議長度為m，卷積核為n，偏置為b1，卷積后的特征圖為矩陣F，激活函數(shù)是S（t），則卷積獲得的特征為m-n+1。卷積公式為：（2）式中，Mi為卷積過程中與卷積核Ci相對應(yīng)的元素，并非M中的第i個元素的值。在本文中由于二進制協(xié)議的基本單元都為正值，且數(shù)據(jù)特征比較短，特征值相差比較復(fù)雜，需要更細(xì)微的分類判斷，符合Sigmoid函數(shù)的要求，（數(shù)據(jù)均大于零并且做歸一化處理），因此，采用Sigmoid函數(shù)作為激活函數(shù)。池化層模擬對前一層卷積獲得的特征圖進行特征篩選，形成更抽象的目標(biāo)特征。由于在二進制協(xié)議中，每一位的數(shù)據(jù)只代表具體含義，與大小無關(guān)。例如，00ff和1133在格式上是等價的，因而采用均值池化和最大值池化對于降維的效果都不是很好，故設(shè)計了一種最大頻度池化的方法，即用池化層內(nèi)最大頻度的數(shù)值作為該局部特征的結(jié)果，如果沒有最大頻度，則取平均值。設(shè)步長為c，輸入的特征圖為F，

一類分類的結(jié)果

【參考文獻】：
期刊論文
[1]基于調(diào)整互信息的二進制協(xié)議一類分類算法[J]. 尹世莊,王韜,陳慶超,劉麗君,張斌.  兵工自動化. 2020(06)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的空中目標(biāo)粗分類研究[J]. 胡大帥,梅衛(wèi),馮小雨.  火力與指揮控制. 2019(08)
[3]基于BP神經(jīng)網(wǎng)絡(luò)的軍民融合維修保障任務(wù)區(qū)分[J]. 朱敦祥,史憲銘,蘇小波,趙汝東.  火力與指揮控制. 2019(05)
[4]基于神經(jīng)網(wǎng)絡(luò)的語音情感識別分類[J]. 姜芃旭,傅洪亮.  電腦知識與技術(shù). 2018(18)
[5]最小化誤差平方和k-means初始聚類中心優(yōu)化方法[J]. 周本金,陶以政,紀(jì)斌,謝永輝.  計算機工程與應(yīng)用. 2018(15)
[6]BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)確定方法研究[J]. 王嶸冰,徐紅艷,李波,馮勇.  計算機技術(shù)與發(fā)展. 2018(04)
[7]基于matlab的svm分類預(yù)測實現(xiàn)[J]. 屈玉濤,鄧萬宇.  信息通信. 2017(03)
[8]基于高斯模型的液氨儲罐泄漏擴散仿真分析[J]. 王洪德,莫朝霞.  中國安全科學(xué)學(xué)報. 2012(09)
[9]協(xié)議逆向工程研究進展[J]. 潘璠,吳禮發(fā),杜有翔,洪征.  計算機應(yīng)用研究. 2011(08)
[10]新型背景混合高斯模型[J]. 白向峰,李艾華,李喜來,李仁兵.  中國圖象圖形學(xué)報. 2011(06)

碩士論文
[1]基于互信息的變量序列模型在貝葉斯網(wǎng)絡(luò)學(xué)習(xí)中的理論研究[D]. 李國洋.西北農(nóng)林科技大學(xué) 2018
[2]基于CNN的字符識別方法研究[D]. 王強.天津師范大學(xué) 2014



本文編號：3547314