10.11959/j.issn.2096−109x.2023007
基于深度残差胶囊网络与注意力机制的加密流量识别方法
随着用户安全意识的提高和加密技术的发展,加密流量已经成为网络流量中的重要部分,识别加密流量成为网络流量监管的重要部分.基于传统深度学习模型的加密流量识别方法存在效果差、模型训练时间长等问题.针对上述问题,提出了一种基于深度残差胶囊网络模型(DRCN,deep residual capsule network)的加密流量识别方法.原始胶囊网络通过全连接形式堆叠导致模型耦合系数变小,无法搭建深层网络模型.针对上述问题,DRCN模型采用三维卷积算法(3DCNN)动态路由算法代替全连接动态路由算法,减少了每个胶囊层之间传递的参数,降低了运算复杂度,进而构建深层胶囊网络,提高识别的准确率和效率;引入通道注意力机制为不同的特征赋予不同的权重,减少无用特征对识别结果的影响,进一步增强模型特征提取能力;将残差网络引入胶囊网络层,搭建残差胶囊网络模块缓解了深度胶囊网络的梯度消失问题.在数据预处理方面,截取的数据包前784byte,将截取的字节转化成图像输入到DRCN模型中,该方法避免了人工特征提取,减少了加密流量识别的人工成本.在ISCXVPN2016数据集上的实验结果表明,与效果最好的BLSTM模型相比,DRCN模型的准确率提高了5.54％,模型的训练时间缩短了232s.此外,在小数据集上,DRCN模型准确率达到了94.3％.上述实验结果证明,所提出的识别方案具有较高的识别率、良好的性能和适用性.
加密流量识别、深度胶囊网络、3D卷积算法、残差网络
9
TP393(计算技术、计算机技术)
国家重点研发计划2017YFB0801803
2023-03-27（万方平台首次上网日期，不代表论文的发表时间）
共10页
32-41
