CN115378701B 基于深度学习模型的加密流量识别分类的方法 （南京工业大学）_第1页
CN115378701B 基于深度学习模型的加密流量识别分类的方法 （南京工业大学）_第2页
CN115378701B 基于深度学习模型的加密流量识别分类的方法 （南京工业大学）_第3页
CN115378701B 基于深度学习模型的加密流量识别分类的方法 （南京工业大学）_第4页
CN115378701B 基于深度学习模型的加密流量识别分类的方法 （南京工业大学）_第5页
已阅读5页，还剩16页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于深度学习模型的加密流量识别分类的本发明公开了一种基于深度学习模型的加进行预处理，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2步骤一：对原始流量数据进行预处理来获得用于作为网2）时域卷积网络TCN的网络结构是由第一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36.根据权利要求2所述的基于深度学习模型的加密流量识别分类的方法，其特征是所然后、将步骤一处理过的数据送入到ResNet中提取空间特征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4[0002]随着近年来互联网通信技术的日益发展，网络已经成为人们工作和生活的一部[0007]本发明所要解决的问题是现有技术中对加密网络流量识别方法分类性能和分类[0009]本发明提出了一种基于深度学习的加密流量识别分类的方法，具体包括以下步5信息丢失的问题，因此，需要对数据进行填充操作，来确保每个信息都考虑在内，填充[0021]ResNet模型中通常只有一个池化层与最后一个残差块相连。池化层的输出表示t处的膨胀因子为d的膨胀卷积定义为：6[0042]采用两种网络相结合的方法，对于数据进行空间和时序方法解决了现有的加密流量识别方式采用CNN和RNN带来的识别准确性和效率不高的技术7术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同意义。还应[0057]步骤1.2、首先对数8一起，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。将经过9

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论