基于深度学习的无线传输协议识别

发布时间：2021-07-11 05:17

　　协议识别是指对网络传输协议的识别,本文研究的应用层协议和无线传输协议对于网络安全、网络规划与管理、网络流量优化等来说都意义重大。在应用层方面,传统的识别方法,例如基于端口的识别技术,基于静态载荷特征协议识别技术都在不同程度上存在缺陷,无法适应当前协议识别的需求;在无线传输协议方面,公布的资料来看国内外还没有投入大量研究精力在无线传输的协议识别中,现有的识别方法主要是通过对信号层面的参数识别,将所识别的参数定义为特征向量,最后使用分类算法进行识别。这种方法过度依赖前面部分的识别准确率,当参数识别率下降时,协议识别的准确率下降非常快。本文针对上述问题,提出一种基于深度学习的识别方法,该方法以数据为驱动,使用神经网络在大量数据中学习特征,最后进行分类。本文主要有以下两点贡献:首先,针对应用层协议的识别问题,提出一种基于深度学习的方法进行识别,解决了现有方法识别率低、涉及隐私等问题。首先使用现有的DNN、CNN、LSTM、LSTM-DNN四种基础网络框架对原始比特流协议数据进行识别,通过实验分析网络不同超参数对识别性能的影响。在实验中发现当不同协议的长度差异过大时,网络识别率会大幅下降。本文根... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

深度信念结构图

图 2. 5 卷积神经网络卷积神经网络结构与传统的人工神经网络有很大的不同，摒弃了全连接的神经用卷积层和池化层交替连接的方式进行特征提取。它的人工神经元可以响应一部盖范围内的周围单元，也就是说网络会在再一次运算中都是对一部分区域进行运不是一个点。这样的运算方式在大型图像处理方面有很好的效果。在卷积层和池后使用全连接层，最后接分类器。下面详细介绍卷积层和池化层，顾名思义，卷的运算方式就是卷积操作，卷积的运算方式如图 2.6 所示。原始数据卷积核Feature map

图 2. 9 LSTM 神经元 RNN 在神经元内只有一个激活函数F ，由图 2.9 可知，相比对原始 在其基础上增加了 3 个门限，分别是 Input gate，Output gate 和 Fo构更加复杂。输入门接受当前时刻的输入tx 和上一时刻来自同层神经元的状态

【参考文献】：
期刊论文
[1]一种基于降噪自编码器的人脸表情识别方法[J]. 李江,冉君军,张克非.  计算机应用研究. 2016(12)
[2]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟.  计算机应用研究. 2014(07)
[3]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)
[4]基于SVM算法的短波通信协议识别技术[J]. 聂东举,叶进,闫坤,车俐.  系统工程与电子技术. 2013(06)
[5]基于二阶循环统计量的BPSK参数估计[J]. 于宁宇,马红光,石荣,石磊.  系统工程与电子技术. 2011(09)
[6]基于KPCA和LDA的信号调制识别[J]. 周欣,吴瑛.  系统工程与电子技术. 2011(07)
[7]基于Walsh-Hadamard变换的卷积码盲识别[J]. 刘健,王晓君,周希元.  电子与信息学报. 2010(04)
[8]基于正则表达式的深度包检测算法[J]. 丁晶,陈晓岚,吴萍.  计算机应用. 2007(09)
[9]应用层协议识别算法综述[J]. 陈亮,龚俭,徐选.  计算机科学. 2007(07)
[10]基于特征串的应用层协议识别[J]. 陈亮,龚俭,徐选.  计算机工程与应用. 2006(24)

硕士论文
[1]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014



本文编号：3277415