CN115361195B 一种基于时空代价成本的大规模物联网流量多分类方法 （南京邮电大学）

一种基于时空代价成本的大规模物联网流本发明公开一种基于时空代价成本的大规向量集合和成本代价矩阵输入构建的目标网络网异常及加密流量样本所属各个类别对应的最2将待识别的物联网异常及加密流量输入预先训练的目标网络模获取训练集，训练集包括不同类别的物联网异常及加密流量样本、将格式化样本向量集合和成本代价矩阵输入构建的目标网络模型中提取多分类预测序列中的类别预测向量，类别预测向量代表物联网异将输入的格式化样本向量分别接入向前和向后的两个LSTM中，捕获数其中，输出的类别预测向量中的每一个值代表物联网异为预测标签向量，包括物联网异常及加密流量样本所属各个类别对应的最终预测值；pa值为预测标签向量中真实类别对应的预测值；yi为成本代价矩阵施加成本代价惩罚后2.根据权利要求1所述的一种基于时空代价成本的大规模物联网流量多分类方法，其若不相同，则利用成本代价矩阵对该物联网异常及加密流量样本进行成本代价惩罚，基于各个类别的概率值，使用改进的交叉熵损失函数重新计算目标网络模型的损失，33.根据权利要求1所述的一种基于时空代价成本的大规模物联网流量多分类方法，其4.根据权利要求3所述的一种基于时空代价成本的大规模物联网流量多分类方法，其5.根据权利要求3所述的一种基于时空代价成本的大规模物联网流量多分类方法，其根据数据包的IP地址首部字段判断每个数据包是否为一个有效的IP数据包，将所有数据包的源IP地址的向量化数值和目的IP地址的向量化数6.根据权利要求3所述的一种基于时空代价成本的大规模物联网流量多分类方法，其从数据包的起点开始按照(n,m)规格顺序读取并过滤数据字段为空的数据包，直到读将每个数据包转化为(n,m)的二维向量；对转化为(n,m)的二维向量进行向量标准化处理；创建的成本代价矩阵的表达式为式中，cx,为第j个类别被7.根据权利要求3所述的一种基于时空代价成本的大规模物联网流量多分类方法，其每个是格式化样本向量都为n×m形式的单精度浮点数的二维向量，每个数据包都为18.根据权利要求1所述的一种基于时空代价成本的大规模物联网流量多分类方法，其4使用SoftMax将更新的类别预测向量转换成各个类别的概率值，各个类别的概率值组使用改进的交叉熵损失函数计算各个类别的概率值与物联网异常及加密流量样本的;5求的IoT应用服务，如电力物联网(PowerInternetofThings,PIoT)服务、工业物联网(IndustrialInternetofThings，IIoT)服务和医疗物联网(MedicalInternetof6[0023]对物联网异常及加密流量样本按照相同五元组进行流拆分，获得多个流样本文7[0035]从数据包的起点开始按照(n,m[0051]利用成本代价矩阵计算物联网异常及加密流量样本的各个类别的成本代价[0057]使用SoftMax将更新的类别预测向量转换成各个类别的概率值，各个类别的概率[0058]使用改进的交叉熵损失函数计算各个类别的概率值与物联网异常及加密流量样8样本分类的正确与否以及真实标签向量(独热编码)激活损失计算的不同部分得到最终的式在整体准确率上高于其他方法的训练方式，且在少数类别的预测准确率上具有明显提联网真实网络数据集的测试中显示出，在面对更新的异常流量类型以及更少的类别样本，9[0075]近年来深度学习技术在物联网异常及加密流量分类领域[0093]对物联网异常及加密流量样本按照相同五元组进行流拆分，获得多个流样本文[0105]从数据包的起点开始按照(n,m[0121]利用成本代价矩阵计算物联网异常及加密流量样本的各个类别的成本代价[0127]使用SoftMax将更新的类别预测向量转换成各个类别的概率值，各个类别的概率[0128]使用改进的交叉熵损失函数计算各个类别的概率值与物联网异常及加密流量样[0138]基于深度学习的物联网流量多分类方法的性能极大程度上取决于分类模型对于函数计算样本损失，当真实标签的取值为0或1时(独热编码)分别激活损失函数的不同部所述要求的模型如图2所示，该目标网络模型由堆叠双向LSTM神经网络、一维卷积神经网Wcx和bc分别为权重和偏差。[0145]两层一维卷积神经网络层，通过一维卷积神经网络层可一个卷积层中往往包含多个卷积核，且卷积核维度m即为堆叠双向LSTM神经网络层生成的[0169]为了防止模型训练过程中发生梯度爆炸问题，对二维样因为二维向量中的元素值均为0到255的整数值，所以直接除以255，使得元素值在0到1之×m的二维向量样本输入模型中进行训练，使用双向堆叠LSTM和一维卷积提取样本中的特空间特征，对于时序特征提取，将一个样本看作是n步，步长为m的输入，使用cttanh(Wcxxt+Wchht-1+bc)计算当前的单元状态，对于每一步的输入，都会生成新的特征向量s=[0193]将经过惩罚的预测向量经过SoftMax转换成概率，然后传输给改进的交叉熵损失现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0208]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一