典型文献
基于卷积神经网络的加密流量分类方法
文献摘要：
针对传统加密网络流量分类方法准确率较低、泛用性不强、易侵犯隐私等问题,提出了一种基于卷积神经网络的加密流量分类方法,避免依赖原始流量数据,防止过度拟合特定应用程序的字节结构.针对网络流量的数据包大小和到达时间信息,设计了一种将原始流量转换为二维图片的方法,直方图中每个单元格代表到达相应时间间隔的具有相应大小数据包的数量,不依赖数据包有效载荷,避免了侵犯隐私;针对LeNet-5卷积神经网络模型进行了优化以提高分类精度,嵌入Inception模块进行多维特征提取并进行特征融合,使用1*1卷积来控制输出的特征维度;使用平均池化层和卷积层替代全连接层,提高计算速度且避免过拟合;使用对象检测任务中的滑动窗口方法,将每个网络单向流划分为大小相等的块,确保单个会话中训练集中的块和测试集中的块没有重叠,扩充了数据集样本.在ISCX数据集上的分类实验结果显示,针对应用流量分类任务,准确率达到了95％以上.对比实验结果表明,训练集和测试集类型不同时,传统分类方法出现了显著的精度下降乃至失效,而所提方法的准确率依然达到了89.2％,证明了所提方法普适于加密流量与非加密流量.进行的所有实验均基于不平衡数据集,如果对数据集进行平衡化处理,准确率可能会进一步提高.
文献关键词：
加密流量;卷积神经网络;深度学习;特征融合;模型优化
中图分类号：
作者姓名：
谢绒娜;马铸鸿;李宗俞;田野
作者机构：
北京电子科技学院,北京 100070
文献出处：
引用格式：
[1]谢绒娜;马铸鸿;李宗俞;田野-.基于卷积神经网络的加密流量分类方法)[J].网络与信息安全学报,2022(06):84-91
A类：
B类：
加密流量分类,分类方法,网络流量分类,流量数据,过度拟合,特定应用,应用程序,字节,节结,数据包,到达时间,时间信息,直方图,单元格,时间间隔,小数据,不依,有效载荷,LeNet,卷积神经网络模型,分类精度,Inception,多维特征,特征融合,平均池化,卷积层,全连接层,计算速度,过拟合,滑动窗口,单向流,大小相等,保单,会话,训练集,测试集,ISCX,分类任务,适于,不平衡数据集,平衡化处理,模型优化
AB值：
0.351784
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
