(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211004055.0 (22)申请日 2022.08.22 (71)申请人 南京工业大 学 地址 211899 江苏省南京市江北新区浦珠 南路30号 (72)发明人 万夕里　朱姝妍　管昕洁　 (74)专利代理 机构 南京科阔知识产权代理事务 所(普通合伙) 3240 0 专利代理师 苏兴建 (51)Int.Cl. H04L 9/40(2022.01) H04L 43/04(2022.01) H04L 43/0876(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习模型的加密流量识别分类的 方法 (57)摘要 本发明公开了一种基于深度学习模型的加 密流量识别分类的方法， 本方法首先对原始数据 进行预处理， 然后在时空维度上， 利用ResNet ‑ TCN模型提取时空特征， 利用ResNet学习 空间特 征， ResNet解决深层网络梯度消 失、 难训练的问 题； 在时间维度上， 利用TCN网络 学习加密流量之 间潜在的时序特征； 利用训练好的模 型对加密网 络流量进行识别和分类。 本发明提高了加密流量 识别和分类的精确度， 实现了更高的分类性能， 解决了现有的加密网络流量识别分类方法采用 CNN和RNN等识别分类的精确度和效率不高等问 题。 权利要求书2页 说明书6页 附图4页 CN 115378701 A 2022.11.22 CN 115378701 A 1.一种基于深度学习模型的加密流 量识别分类的方法， 其特 征是包括以下步骤： 步骤一： 对原始流量数据进行预处理来获得用于作为网络加密流量分类模型输入的加 密流量数据向量； 步骤二： 构建基于残差网络ResNet和时域卷积网络TCN的网络加密流 量分类模型； 步骤三： 通过ResNet模型提取加密流量数据的空间特征； 通过TCN模型提取加密流量数 据的时间特 征； 所述步骤二中， 构建ResNet ‑TCN框架， 并进行 学习和训练； ResNet‑TCN框架包括残差网络ResNet和时域卷积网络TCN， 其中： 1)残差网络ResNet的网络结构是按照数据传输方向， 包括输入层、 卷积层、 多个残差 块、 池化层和全连接层； 每个残差块是由两个3*3的卷积网络串接在一起构成； 多个残差块 堆叠； 输入的加密流量数据通过多次卷积后输出； 在输出层中， 输出与输入相加； 最终提取得 到加密流 量数据的空间特 征； 2)时域卷积网络TCN的网络结构是由第一层的膨胀因果卷积、 权重归一化、 激活函数 ReLU和Dropout， 以及第二层的膨胀因果卷积、 权重归一化、 激活函数ReLU和Dropout构成； 第一层的输出为第二层的输入； 每一层中， 按照数据传输方向依次是膨胀因果卷积、 权重归 一化、 激活函数ReLU和Dropout； 4)经过ResNet处 理的数据作为输入， 送入TCN中提取时序特 征； TCN与ResNet最后一层的输出拼接后， 利用全连接分类对得到的特征进行分类， 由 softmax函数输出 预测结果。 2.根据权利要求1所述的基于深度学习模型的加密流量识别分类的方法， 其特征是所 述步骤一的数据预处 理步骤包括： 步骤1.1、 将数据集中的数据导入， 用于对数据进行处理； 样本数据集为原始格式的网 络加密流 量数据的数据集； 步骤1.2、 对数据集中的原 始的流量数据进行切分； 步骤1.3、 切分后的数据进行 数据清洗； 步骤1.4、 对数据进行归一 化处理； 对数据进行重新构造， 将处理过的流量文件按照固定字节统一大小， 若大于所设置的 固定字节， 则删除之后的字节， 若小于固定字节， 则用00补充到固定字节； 归一化是对数据 进行变换， 将特 征值按比例缩放到特定的区间内最后得到 csv文件。 3.根据权利要求1所述的基于深度学习模型的加密流量识别分类的方法， 其特征是残 差网络ResNet中， 相邻残差块使用shortcut的连接方式， shortcut上通过 1*1的卷积核进行 了维度处 理， 主分支与shor tcut的输出 特征矩阵shape相同后输出矩阵相同进行相加。 4.根据权利要求1所述的基于深度学习模型的加密流量识别分类的方法， 其特征是 ResNet网络的最后一层的输出经一个1*1的卷积块处理后， 再与TCN的输出拼接后， 作为网 络加密流 量分类模型输出。 5.根据权利要求1所述的基于深度学习模型的加密流量识别分类的方法， 其特征是所 述步骤二中， 将样本数据作为网络加密流量分类模 型的输入， 通过模 型的训练和测试过程， 验证模型的分类效果。权　利　要　求　书 1/2 页 2 CN 115378701 A 26.根据权利要求5或6所述的基于深度 学习模型的加密流量识别分类的方法， 其特征是 所述步骤二中： 首先、 将步骤1.4处 理过后的数据独立存 储为csv文件； 接着、 将数据集按照7： 2： 1的比例划分训练集， 验证集及测试集； 验证集用于调整超参 数， 模型是否发生了过拟合的现象来决定是否要停止训练； 然后、 将步骤一处理过的数据送入到ResNet中提取空间特征， 将经过ResNet处理过的 数据作为输入， 送入TCN中提取时序特 征； 最后、 在训练集上训练模型， 并根据验证集上效果调整超参数， 模型训练结束后在测试 集评价模型最终效果。 7.根据权利要求1所述的基于深度学习模型的加密流量识别分类的方法， 其特征是网 络加密流量分类模型的训练中， 采用交叉损失函数来判定实际输出与期望输出的接近程 度； 训练期间采用Adam优化器； 网络加密流 量分类模型的学习期间， 采用等间隔调整学习率StepLR。权　利　要　求　书 2/2 页 3 CN 115378701 A 3