一种基于ResNet的网络流量识别方法

发布时间：2021-07-02 06:55

　　针对传统的流量识别技术过于依赖个人的特征选择,无法同时满足实时性和准确性要求的问题,提出了一种基于残差神经网络（residual neural network,ResNet）模型的流量识别方法。根据网络流量数据和图像数据的相似性,对原始数据进行预处理,把一维的网络流量数据转换成二维的灰度图片,统一数据的输入格式;调整模型的超参数、训练模型的参数,筛选出最优的分类模型,实现对网络流量的识别。实验结果表明:该流量识别方法的准确率达到97. 03%,F_1-weighted值达到96. 54%,具有较高的识别率。通过与其他算法的结果对比,表明该方法的收敛速度快,识别准确率高,而且能够有效处理非均衡网络流量数据的识别问题。 

【文章来源】：北京信息科技大学学报(自然科学版). 2020,35(01)

【文章页数】：7 页

【部分图文】：

Alex Net的准确率

本网络流量识别方法的总体流程如图1所示。具体流程是先获取网络流量数据集，确定原始流量集的识别特征和识别标签。为了验证本方法的可行性，本文采用公开的Moore流量数据集。在对数据集的预处理操作步骤，把流量数据转换为识别模型能够有效处理的统一输入形式。对预处理数据集进行划分，选取一部分流量数据子集指定为数据集1作为训练集训练流量识别模型，另一部分流量数据子集指定为数据集2作为测试集评估已经训练好的模型。在训练模型阶段，根据经验调整模型参数，选择出最佳的模型，然后使用测试集对模型的性能进行评估。

6)残差学习单元。在网络流量识别模型中，全等映射层、卷积层、BN层和激活函数层组成一个ResNet单元，具体结构如图2所示。残差单元的输入为x，期望输出是H(x)。单元的输入信息绕道传到输出，从学习输出H(x)转变成了学习输入和输出的残差，即需要拟合的函数变为F(x)=H(x)-x，减轻了学习的难度。在本文模型中，使用ResNet单元弥补了卷积层在信息处理、传递时产生的信息扭曲、丢失等不足，有效提高了网络流量识别率。

【参考文献】：
期刊论文
[1]基于卷积神经网络的复杂网络加密流量识别[J]. 董浩,李烨.  软件导刊. 2018(09)
[2]一种基于LSTM神经网络的流量预测模型[J]. 谭晖,张扬,周小翠,贺凡.  信息通信. 2018(02)
[3]基于卷积神经网络的网络流量识别技术研究[J]. 李勤,师维,孙界平,董超,曲天舒.  四川大学学报(自然科学版). 2017(05)
[4]基于深度学习的实时DDoS攻击检测[J]. 李传煌,孙正君,袁小雍,李晓林,龚梁,王伟明.  电信科学. 2017(07)
[5]基于C4.5决策树的流量分类方法[J]. 徐鹏,林森.  软件学报. 2009(10)

博士论文
[1]基于深度学习的网络流量分类及异常检测方法研究[D]. 王伟.中国科学技术大学 2018

硕士论文
[1]基于深度学习的路由器入侵检测技术研究[D]. 刘雨辰.战略支援部队信息工程大学 2018
[2]基于深度学习的网络流量识别关键技术研究[D]. 李玎.战略支援部队信息工程大学 2018
[3]基于深度学习的网络业务流量识别算法研究[D]. 邹媛媛.东南大学 2017
[4]基于DBN的网络流量分类的研究[D]. 白雪.内蒙古大学 2015



本文编号：3259983