基于一维卷积神经网络的二进制协议分类方法
发布时间：2021-12-22 23:29
针对目前网络上未知二进制协议种类繁多、不便于管理的问题,提出一种基于一维CNN的二进制协议分类方法,利用聚类得到协议数据的标签进行训练,直接将经过一类分类的二进制协议报文作为一维卷积神经网络的输入,训练分类模型,构建了一个二进制协议分类器,能够自动学习原始输入与预期输出之间的非线性关系,实现协议的自动分类功能。这是首次将一类分类与CNN网络应用于二进制协议分类领域。并且针对最大频度池化和一维卷积网络作了对比试验,验证了改进的有效性。经过实验验证对协议的识别率达到了98%以上,分类时间优于聚类方法。
【文章来源】：火力与指挥控制. 2020,45(11)北大核心CSCD
【文章页数】：6 页
【部分图文】：
二进制协议分类实现方案
粤教跏?荼ㄎ牡姆植记榭鼋?信卸稀?数据帧i与第j个聚类中心的相似度similar（i，j）为判断数据帧是否属于第j个中心点类簇的阈值。（1）本文提出了一种使用调整互信息的一类分类算法［11］。2.3构建卷积神经网络CNN算法应用于协议分类识别的第一步是要确定输入对象的像素大小，以单条协议报文作为输入，根据前文m值的确定，m值为144bit。在设计CNN网络时需要改变其网络结构来适应数据帧的输入形式。本文的输入形式为36×1。从数据维度的角度看，一维CNN就是二维CNN的一种简化。图2为一维CNN模型的示意图。卷积层采用局部连接和权值共享来提取特征，由于二进制协议格式较为简单，为了提高运算效率，设计了5层的卷积网络。设输入协议长度为m，卷积核为n，偏置为b1，卷积后的特征图为矩阵F，激活函数是S（t），则卷积获得的特征为m-n+1。卷积公式为：（2）式中，Mi为卷积过程中与卷积核Ci相对应的元素，并非M中的第i个元素的值。在本文中由于二进制协议的基本单元都为正值，且数据特征比较短，特征值相差比较复杂，需要更细微的分类判断，符合Sigmoid函数的要求，（数据均大于零并且做归一化处理），因此，采用Sigmoid函数作为激活函数。池化层模拟对前一层卷积获得的特征图进行特征筛选，形成更抽象的目标特征。由于在二进制协议中，每一位的数据只代表具体含义，与大小无关。例如，00ff和1133在格式上是等价的，因而采用均值池化和最大值池化对于降维的效果都不是很好，故设计了一种最大频度池化的方法，即用池化层内最大频度的数值作为该局部特征的结果，如果没有最大频度，则取平均值。设步长为c，输入的特征图为F，
一类分类的结果
【参考文献】：
期刊论文
[1]基于调整互信息的二进制协议一类分类算法[J]. 尹世庄,王韬,陈庆超,刘丽君,张斌. 兵工自动化. 2020(06)
[2]基于卷积神经网络的空中目标粗分类研究[J]. 胡大帅,梅卫,冯小雨. 火力与指挥控制. 2019(08)
[3]基于BP神经网络的军民融合维修保障任务区分[J]. 朱敦祥,史宪铭,苏小波,赵汝东. 火力与指挥控制. 2019(05)
[4]基于神经网络的语音情感识别分类[J]. 姜芃旭,傅洪亮. 电脑知识与技术. 2018(18)
[5]最小化误差平方和k-means初始聚类中心优化方法[J]. 周本金,陶以政,纪斌,谢永辉. 计算机工程与应用. 2018(15)
[6]BP神经网络隐含层节点数确定方法研究[J]. 王嵘冰,徐红艳,李波,冯勇. 计算机技术与发展. 2018(04)
[7]基于matlab的svm分类预测实现[J]. 屈玉涛,邓万宇. 信息通信. 2017(03)
[8]基于高斯模型的液氨储罐泄漏扩散仿真分析[J]. 王洪德,莫朝霞. 中国安全科学学报. 2012(09)
[9]协议逆向工程研究进展[J]. 潘璠,吴礼发,杜有翔,洪征. 计算机应用研究. 2011(08)
[10]新型背景混合高斯模型[J]. 白向峰,李艾华,李喜来,李仁兵. 中国图象图形学报. 2011(06)
硕士论文
[1]基于互信息的变量序列模型在贝叶斯网络学习中的理论研究[D]. 李国洋.西北农林科技大学 2018
[2]基于CNN的字符识别方法研究[D]. 王强.天津师范大学 2014
本文编号：3547314
【文章来源】：火力与指挥控制. 2020,45(11)北大核心CSCD
【文章页数】：6 页
【部分图文】：
二进制协议分类实现方案
粤教跏?荼ㄎ牡姆植记榭鼋?信卸稀?数据帧i与第j个聚类中心的相似度similar（i，j）为判断数据帧是否属于第j个中心点类簇的阈值。（1）本文提出了一种使用调整互信息的一类分类算法［11］。2.3构建卷积神经网络CNN算法应用于协议分类识别的第一步是要确定输入对象的像素大小，以单条协议报文作为输入，根据前文m值的确定，m值为144bit。在设计CNN网络时需要改变其网络结构来适应数据帧的输入形式。本文的输入形式为36×1。从数据维度的角度看，一维CNN就是二维CNN的一种简化。图2为一维CNN模型的示意图。卷积层采用局部连接和权值共享来提取特征，由于二进制协议格式较为简单，为了提高运算效率，设计了5层的卷积网络。设输入协议长度为m，卷积核为n，偏置为b1，卷积后的特征图为矩阵F，激活函数是S（t），则卷积获得的特征为m-n+1。卷积公式为：（2）式中，Mi为卷积过程中与卷积核Ci相对应的元素，并非M中的第i个元素的值。在本文中由于二进制协议的基本单元都为正值，且数据特征比较短，特征值相差比较复杂，需要更细微的分类判断，符合Sigmoid函数的要求，（数据均大于零并且做归一化处理），因此，采用Sigmoid函数作为激活函数。池化层模拟对前一层卷积获得的特征图进行特征筛选，形成更抽象的目标特征。由于在二进制协议中，每一位的数据只代表具体含义，与大小无关。例如，00ff和1133在格式上是等价的，因而采用均值池化和最大值池化对于降维的效果都不是很好，故设计了一种最大频度池化的方法，即用池化层内最大频度的数值作为该局部特征的结果，如果没有最大频度，则取平均值。设步长为c，输入的特征图为F，
一类分类的结果
【参考文献】：
期刊论文
[1]基于调整互信息的二进制协议一类分类算法[J]. 尹世庄,王韬,陈庆超,刘丽君,张斌. 兵工自动化. 2020(06)
[2]基于卷积神经网络的空中目标粗分类研究[J]. 胡大帅,梅卫,冯小雨. 火力与指挥控制. 2019(08)
[3]基于BP神经网络的军民融合维修保障任务区分[J]. 朱敦祥,史宪铭,苏小波,赵汝东. 火力与指挥控制. 2019(05)
[4]基于神经网络的语音情感识别分类[J]. 姜芃旭,傅洪亮. 电脑知识与技术. 2018(18)
[5]最小化误差平方和k-means初始聚类中心优化方法[J]. 周本金,陶以政,纪斌,谢永辉. 计算机工程与应用. 2018(15)
[6]BP神经网络隐含层节点数确定方法研究[J]. 王嵘冰,徐红艳,李波,冯勇. 计算机技术与发展. 2018(04)
[7]基于matlab的svm分类预测实现[J]. 屈玉涛,邓万宇. 信息通信. 2017(03)
[8]基于高斯模型的液氨储罐泄漏扩散仿真分析[J]. 王洪德,莫朝霞. 中国安全科学学报. 2012(09)
[9]协议逆向工程研究进展[J]. 潘璠,吴礼发,杜有翔,洪征. 计算机应用研究. 2011(08)
[10]新型背景混合高斯模型[J]. 白向峰,李艾华,李喜来,李仁兵. 中国图象图形学报. 2011(06)
硕士论文
[1]基于互信息的变量序列模型在贝叶斯网络学习中的理论研究[D]. 李国洋.西北农林科技大学 2018
[2]基于CNN的字符识别方法研究[D]. 王强.天津师范大学 2014
本文编号：3547314
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3547314.html
