公开(公告)号：CN114401229B

公开(公告)日：2023-09-19

申请号：CN202111659063.4

申请日：2021-12-31

Applicant: 北京理工大学

Inventor： 李建武 ,  林宁

IPC: H04L47/2483 ,  H04L47/2441 ,  H04L9/40 ,  G06N3/048 ,  G06N3/09

Abstract: 本发明公开了一种基于Transformer深度学习模型的加密流量识别方法，属于计算机网络安全技术领域。针对现有的基于深度学习的加密流量识别方法存在识别率低、训练周期长等问题，本方法利用改进的intra‑Transformer模型首先提取出数据包内各字节的全局特征和局部特征，然后利用inter‑Transformer模型提取流中数据包间字节的全局特征和统计信息的全局特征。相较于卷积神经网络，考虑了输入的全局特征，使模型性能有较大的提升；相较于循环神经网络，能够并行化处理，加速收敛，减少训练时间。本方法仅利用流中部分相邻数据包便可对流进行分类，无需利用流中的大部分包，即可实现快速识别流量类型。本方法在实时性与精度之间实现了更好的平衡。

公开(公告)号：CN114401229A

公开(公告)日：2022-04-26

申请号：CN202111659063.4

申请日：2021-12-31

Applicant: 北京理工大学

Inventor： 李建武 ,  林宁

IPC: H04L47/2483 ,  H04L47/2441 ,  H04L9/40 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于Transformer深度学习模型的加密流量识别方法，属于计算机网络安全技术领域。针对现有的基于深度学习的加密流量识别方法存在识别率低、训练周期长等问题，本方法利用改进的intra‑Transformer模型首先提取出数据包内各字节的全局特征和局部特征，然后利用inter‑Transformer模型提取流中数据包间字节的全局特征和统计信息的全局特征。相较于卷积神经网络，考虑了输入的全局特征，使模型性能有较大的提升；相较于循环神经网络，能够并行化处理，加速收敛，减少训练时间。本方法仅利用流中部分相邻数据包便可对流进行分类，无需利用流中的大部分包，即可实现快速识别流量类型。本方法在实时性与精度之间实现了更好的平衡。